i

HALAMAN JUDUL

TUGAS AKHIR - TF 141581

OPTIMISASI PEMBAKARAN DI ROTARY KILN PT SEMEN GRESIK PABRIK TUBAN DENGAN MODEL JARINGAN SYARAF TIRUAN DAN METODE GENETIC ALGORITHM

DICKY DWI ARIFIANSYAH NRP. 2413 100 118 Dosen Pembimbing Ir. Ya’umar, M.T.

DEPARTEMEN TEKNIK FISIKA Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2017

iii

FINAL PROJECT - TF141581

OPTIMIZATION OF FIRING AT ROTARY KILN IN PT SEMEN GRESIK TUBAN PLANT WITH ARTIFICIAL NEURAL NETWORK MODELLING AND GENETIC ALGORITHM METHOD

DICKY DWI ARIFIANSYAH NRP. 2413 100 118 Supervisor Ir. Ya’umar, M.T.

DEPARTMENT OF ENGINEERING PHYSICS Faculty of Industrial Technology Institut Teknologi Sepuluh Nopember Surabaya 2017

v

PERNYATAAN BEBAS PLAGIARISME

Saya yang bertanda tangan di bawah ini:

Nama : Dicky Dwi Arifiansyah

NRP : 2413100118

Departemen/ Prodi : Teknik Fisika/ S1 Teknik Fisika

Fakultas : Fakultas Teknologi Industri

Perguruan Tinggi : Institut Teknologi Sepuluh Nopember

dengan ini menyatakan bahwa Tugas Akhir saya berjudul

“OPTIMISASI PEMBAKARAN DI ROTARY KILN PT SEMEN

GRESIK PABRIK TUBAN DENGAN MODEL JARINGAN

SYARAF TIRUAN DAN METODE GENETIC ALGORITHM”

adalah bebas dari plagiasi. Apabila pernyataan ini terbukti tidak

benar, maka saya bersedia menerima sanksi sesuai ketentuan yang

berlaku.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya.

Surabaya, 19 Juli 2017

Yang membuat pernyataan,

Dicky Dwi Arifiansyah

NRP. 2413100118

vii

LEMBAR PENGESAHAN

OPTIMISASI PEMBAKARAN DI ROTARY KILN PT

SEMEN GRESIK PABRIK TUBAN DENGAN MODEL

JARINGAN SYARAF TIRUAN DAN METODE

GENETIC ALGORITHM

Oleh:

Dicky Dwi Arifiansyah

NRP. 2413 100 118

Surabaya, 25 Juli 2017

Mengetahui/Menyetujui

Pembimbing

Ir. Ya’umar, M.T.

NIP. 19540406 198103 1 003

Ketua Departemen

Teknik Fisika FTI-ITS

Agus Muhammad Hatta, S.T., M.Si., Ph.D.

NIP. 19780902 200312 1 002

ix

OPTIMISASI PEMBAKARAN DI ROTARY KILN PT

SEMEN GRESIK PABRIK TUBAN DENGAN MODEL

JARINGAN SYARAF TIRUAN DAN METODE

GENETIC ALGORITHM

TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

pada

Bidang Studi Rekayasa Instrumentasi

Program Studi S-1 Departemen Teknik Fisika

Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember

Oleh :

DICKY DWI ARIFIANSYAH

NRP. 2413 100 118

Disetujui oleh Tim Penguji Tugas Akhir :

1. Ir. Ya’umar, M.T. (Pembimbing)

2. Hendra Cordova, S.T., M.T. (Ketua Penguji)

3. Dr. Katherin Indriawati, S.T., M.T. (Penguji)

SURABAYA, Juli 2017

R PENGESAHAN

OPTIMASI PRODUKSI CRUDE OIL, ENERGI, DAN AIR

LIMBAH PADA STEAM FLOOD ENHANCED OIL

RECOVERY MENGGUNAKAN GENETIC ALGORITHM

TUGAS AKHIR

Oleh:

SONY ANDRIYANTO

NRP: 2412 100 003

Surabay 2016

Mengetahui/Menyetujui

Pembimbing,

Totok Ruki Biyanto, Ph.

NIPN: 19710702 199801 1 001

Ketua Jurusan

Teknik Fisika FTI-ITS

Agus Muhammad Hatta, S.T., M.Sc.

xi

OPTIMISASI PEMBAKARAN DI ROTARY KILN PT

SEMEN GRESIK PABRIK TUBAN DENGAN MODEL

JARINGAN SYARAF TIRUAN DAN METODE

GENETIC ALGORITHM

Nama Mahasiswa : Dicky Dwi Arifiansyah

NRP : 2413 100 118

Departemen : Teknik Fisika FTI-ITS

Dosen Pembimbing : Ir. Ya’umar, M.T.

Abstrak

Rotary kiln pada pabrik semen mempunyai peranan penting dalam

produksi semen. Tetapi dibutuhkan energi dan biaya yang besar

yaitu sekitar 30% untuk mengoperasikan rotary kiln ini. Oleh

karena itu, untuk mengurangi besarnya energi dan biaya itu

diperlukan dibutuhkan sebuah metode yang tepat dan akurat dalam

melakukan prediksi hasil pembakaran rotary kiln tersebut,

sehingga dapat membantu dalam memperoleh hasil pembakaran

seperti persentase FCaO dan C3S yang optimal. Untuk mengatasi

masalah ini dilakukan penelitian mengenai optimisasi pembakaran

di rotary kiln dengan model jaringan syaraf tiruan dan metode

genetic algorithm. Nilai RMSE terbaik menggunakan metode

jaringan syaraf tiruan terdapat pada hidden node berjumlah 6 node

pada prediksi persentase FCaO yaitu sebesar 0,269794, dan 4 node

pada prediksi persentase C3S yaitu sebesar 1,174429. Sedangkan,

jika menggunakan metode gabungan, nilai RMSE terbaik terdapat

pada hidden node berjumlah 2 node pada prediksi persentase FCaO

yaitu sebesar 0.0948, dan 1 node pada prediksi persentase C3S

yaitu sebesar 0.0878. Dapat disimpulkan dari hasil tersebut bahwa

metode optimisasi genetic algorithm dapat menghasilkan bobot

yang optimum pada jaringan syaraf tiruan, dilihat dari nilai RMSE

yang dihasilkan metode gabungan lebih kecil dibandingkan dengan

tanpa menggunakan metode optimisasi genetic algorithm.

Kata Kunci : Pembakaran, Rotary Kiln, Jaringan Syaraf

Tiruan

memiliki jumlah akumulasi yang besar. Minyak jenis ini memiliki

viskositas yang tinggi, sehingga sulit untuk diangkat ke permukaan.

Steam flood adalah salah satu jenis Enhanced Oil Recovery yang mampu

mengangkat heavy oil. Steam flood menggunakan 2 sumur, yaitu sumur

injeksi dan sumur produksi. Sumur injeksi digunakan untuk menginjeksi

uap. Uap kemudian akan melepas panas pada reservoir sehingga dapat

menurunkan viskositas minyak. Minyak mentah kemudian akan terdorong

dan terangkat ke production well. Namun steam flood membutuhkan

energi yang besar untuk menghasilkan uap, dan jumlah air limbah

berbahaya yang tinggi. Sehingga produksi steam flood operation perlu

dioptimasi dengan meminimalkan kebutuhan energi dan air limbah.

Metode Beggs-Brill digunakan untuk memodelkan gradien tekanan

aliran vertikal dua fasa pada injection well dan production well. Rata-

rata error pemodelan metode Beggs-Brill terhadap hasil simulasi

PIPESIM adalah 2.369%. Aliran uap pada reservoir dapat dimodelkan

sebagai aliran fluida dalam media berporos dengan persamaan Darcy.

Rata-rata error pemodelan dengan persamaan Darcy adalah 0.39%.

Ketiga model ini dirangkai dan digunakan untuk menghitung profit dari

steam flood operation.

Genetic algorithm dapat mengoptimalkan kondisi operasi steam

flood hingga 119.6%. Pada studi kasus Hamaca Field, profit dapat

dioptimasi dari 7904.89 USD/hari menjadi 17360.34 USD/hari.

Penambahakan sucker rod pump yang kemudian dioptimasi dengan

genetic algorithm, mampu menurunkan kebutuhan laju aliran injeksi

(3.66%), menurunkan biaya water treatment (7.8%), menurunkan

tekanan injeksi (34%), dan meningkatkan net profit (18.69%).

Kata Kunci: Beggs-Brill, Darcy, genetic algorithm, steam flood

xiii

OPTIMIZATION OF FIRING AT ROTARY KILN IN PT

SEMEN GRESIK TUBAN PLANT WITH ARTIFICIAL

NEURAL NETWORK MODELLING AND GENETIC

ALGORITHM METHOD

Name : Dicky Dwi Arifiansyah

NRP : 2413 100 118

Department : Department of Engineering Physics

Supervisor : Ir. Ya’umar, M.T.

ABSTRACT Abstract

Rotary kilns at cement plants have an important role in cement

production. But it takes enormous energy and cost of about 30% to

operate this rotary kiln. Therefore, to reduce the amount of energy

and cost it is necessary to have a precise and accurate method of

predicting the result of rotary kiln burning, so it can assist in

producing combustion results such as the percentage of FCaO and

C3S is optimal. To overcome this problem, research on optimization

of combustion in rotary kiln with neural network model and genetic

algorithm method. The best RMSE value using artificial neural

network method is hidden node at 6 node at FCaO percentage

prediction that is 0,269794, and 4node at prediction percentage of

C3S that is equal to 1,174429. Whereas, using the combined method,

the best RMSE value is found in the hidden node of 2 node in the

FCaO percentage prediction of 0.0948, and 1 nodes in the C3S

percentage prediction of 0.0878. It can be concluded from these

results that the optimization method of genetic algorithm can

produce the optimum weight and improve the accuracy of artificial

neural network seen from RMSE value produced by the combined

method is smaller than without using genetic algorithm optimization

method.Heavy oi

Keywords: Combustion, Rotary Kiln, Artificial Neural

Networkl has a large amount accumulation. This oil type has a high

viscosity, making it difficult to be lifted to the surface. Steam flood is one

of Enhanced Oil Recovery which able to lift heavy oil. Steam flood needs 2

xiv

xv

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah S.W.T, karena

rahmat dan hikmat-Nya sehingga penulis diberikan kesehatan,

kemudahan, dan kelancaran dalam menyusun laporan tugas akhir

ini.Tidak lupa juga penulis menyampaikan ucapan terima kasih

kepada keluarga dan para sahabat. Oleh karena dukungan mereka,

penulis mampu menyusun laporan tugas akhir yang berjudul:

“OPTIMISASI PEMBAKARAN DI ROTARY KILN PT

SEMEN GRESIK PABRIK TUBAN DENGAN MODEL

JARINGAN SYARAF TIRUAN DAN METODE GENETIC

ALGORITHM”

Tugas akhir ini merupakan salah satu persyaratan akademik

yang harus dipenuhi dalam Program Studi S-1 Teknik Fisika FTI-

ITS. Penulis menyampaikan terima kasih yang sebesar-besarnya

kepada:

1. Agus Muhamad Hatta, ST, MSi, Ph.D. selaku ketua jurusan

Teknik Fisika ITS.

2. Ir. Ya’umar, MT selaku dosen pembimbing tugas akhir ini,

yang selalu memberikan semangat dan ide-ide baru.

3. Lizda johar Mawarani, ST, MT. selaku dosen wali penulis.

Terima kasih atas bantuan, arahan, dan nasehat yang telah

diberikan selama penulis menjadi mahasiswa di Jurusan

Teknik Fisika FTI – ITS

4. Segenap Bapak/Ibu dosen pengajar di jurusan Teknik Fisika -

ITS.

5. Para dosen dan karyawan Jurusan Teknik Fisika FTI – ITS

6. Rekan-rekan F48 dan warga Teknik Fisika - ITS, yang

senantiasa memberikan motivasi dan perhatian.

7. Rekan-rekan seperjuangan TA yang telah memotivasi dan

memberikan bantuan-bantuan dalam penyelesaian laporan

tugas akhir ini.

8. Segenap keluarga penulis yang telah memberikan dukungan

penuh terhadap penyelesaian tugas akhir ini.

xvi

Penulis menyadari bahwa mungkin masih ada kekurangan

dalam laporan ini, sehingga kritik dan saran penulis terima.

Semoga laporan ini dapat berguna dan bermanfaat bagi penulis dan

pihak yang membacanya.

Surabaya, Juli 2017

Penulis

xvii

DAFTAR ISI

Hal

HALAMAN JUDUL BAHASA INDONESIA

HALAMAN JUDUL BAHASA INGGRIS

i

iii

PERNYATAAN BEBAS PLAGIARISME

LEMBAR PENGESAHAN

LEMBAR PERSETUJUAN

v

vii

ix

ABSTRAK xi

ABSTRACT xiii

KATA PENGANTAR xv

DAFTAR ISI xvii

DAFTAR GAMBAR xix

DAFTAR TABEL xxi

BAB I PENDAHULUAN

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Tujuan 3

1.4 Lingkup Kerja 4

BAB II TINJAUAN PUSTAKA

2.1 Sistem Operasi Rotary Kiln 5

2.2

2.3

2.4

Pembakaran di Rotary Kiln

Jenis Batubara

Jaringan Syaraf Tiruan

6

8

9

2.5

2.6

Metode Pelatihan Levenberg-Marquardt

Root Mean Square Error (RMSE)

10

12

2.7 Aplikasi Jaringan Syaraf Tiruan pada Matlab 13

2.8 Genetic Algorithm 15

BAB III METODE PENELITIAN

3.1 Pengumpulan Data Input dan Output dan

Operasional Rotary Kiln Di Pabrik Tuban

Semen Gresik

18

3.2 Studi Literatur 18

xviii

Hal

3.3 Pengujian Data 18

3.4 Pembuatan Program JST 19

3.5 Validasi Hasil Pemodelan 21

3.6 Optimisasi dengan Genetic Algorithm 21

3.7 Simulasi 26

3.8 Analisa Hasil Perhitungan 26

BAB IV HASIL DAN PEMBAHASAN

4.1

4.2

Pengujian Data Rotary Kiln

Prediksi Hasil Pembakaran Rotary Kiln dengan

menggunakan Jaringan Syaraf Tiruan

27

34

4.3 Prediksi Hasil Pembakaran Rotary Kiln dengan

menggunakan Jaringan Syaraf Tiruan dan

Optimisasi Genetic Algorithm

46

4.4 Parameter Arsitektur Jaringan Syaraf Tiruan

dari Hasil Perancangan

52

4.5 Perbandingan Hasil Antara Kedua Metode 56

BAB V PENUTUP

5.1 Kesimpulan

5.2 Saran

59

59

DAFTAR PUSTAKA LAMPIRAN

BIOGRAFI PENULIS

61

65

xix

DAFTAR GAMBAR

Hal

Gambar 2.1 Alur proses rotary kiln 5

Gambar 2.2

Gambar 2.3

Model neuron sederhana

Tampilan GUI Neural Network Start

10

14

Gambar 2.4

Gambar 2.5

Contoh baris perintah program Jaringan

Syaraf Tiruan pada Matlab

Arsitektur JST dengan satu input layer (13

variabel input), satu hidden layer yang

memiliki 20 hidden node dan 1 output layer

pada Matlab.

14

15

Gambar 2.6 Crossover dengan pindah silang satu titik 16

Gambar 2.7 Mutasi Gen 16

Gambar 3.1 Diagram alir penelitian 17

Gambar 3.2

Gambar 3.3

Gambar 3.4

Gambar 4.1

Gambar 4.2

Arsitektur JST yang digunakan pada

penelitian Tugas Akhir

Diagram alir pembuatan program JST

Diagram alir optimisasi genetic algorithm

Hipotesis awal diagram jalur antar variabel

rotary kiln

Diagram jalur untuk prediksi persentase

FCaO

19

20

22

34

36

Gambar 4.3 Diagram jalur untuk prediksi persentase

C3S

37

Gambar 4.4 Grafik data kiln feed 38

Gambar 4.5 Grafik data kiln coal 38

Gambar 4.6 Grafik data kiln speed 39

Gambar 4.7 Grafik data sekam 39

Gambar 4.8 Grafik data FCaO 40

Gambar 4.9 Grafik data C3S 40

Gambar 4.10 Hasil pelatihan data persentase FCaO 42

Gambar 4.11 Hasil validasi data persentase FCaO 42

Gambar 4.12 Arsitektur pada metode JST prediksi FCaO 43

Gambar 4.13 Hasil pelatihan data persentase C3S 45

Gambar 4.14 Hasil validasi data persentase C3S 45

Gambar 4.15 Arsitektur pada metode JST prediksi C3S 46

xx

Gambar 4.16 Arsitektur pada metode JST-GA prediksi

FCaO

48

Gambar 4.17 Grafik optimisasi pada prediksi persentase

FCaO

49

Gambar 4.18 Arsitektur pada metode JST-GA prediksi

FCaO

51

Gambar 4.19

Gambar 4.20

Grafik optimisasi pada prediksi persentase

C3S

Fungsi aktivasi sigmoid tangen pada JST

51

52

xxi

DAFTAR TABEL

Hal

Tabel 4.1 Analisa regresi antara seluruh variabel rotary

kiln dengan persentase FCaO

28

Tabel 4.2 Analisa regresi antara masing-masing variabel

rotary kiln dengan persentase FCaO

29

Tabel 4.3 Analisa regresi antara seluruh variabel rotary

kiln dengan C3S

30

Tabel 4.4

Tabel 4.5

Analisa regresi antara masing-masing variabel

rotary kiln dengan persentase C3S

Koefisien korelasi dengan variabel dependen

persentase FCaO

31

32

Tabel 4.6 Koefisien korelasi dengan variabel dependen

persentase C3S

33

Tabel 4.7 Nilai RMSE prediksi persentase FCaO dengan

menggunakan jaringan syaraf tiruan

41

Tabel 4.8 Nilai RMSE prediksi persentase C3S dengan

menggunakan jaringan syaraf tiruan

44

Tabel 4.9 Nilai RMSE prediksi persentase FCaO dengan

menggunakan jaringan syaraf tiruan dan

optimisasi genetic lgorithm

47

Tabel 4.10 Nilai RMSE prediksi persentase C3S dengan

menggunakan jaringan syaraf tiruan dan

optimisasi genetic algorithm

50

Tabel 4.11 Faktor bobot optimum dari metode JST untuk

prediksi persentase FCaO

53

Tabel 4.12 Faktor bobot optimum dari metode JST untuk

prediksi persentase C3S

54

Tabel 4.13 Faktor bobot optimum dari metode JST-GA

untuk prediksi persentase FCaO

55

Tabel 4.14 Faktor bobot optimum dari metode JST-GA

untuk prediksi C3S

55

Tabel 4.15 Perbandingan hasil terbaik antara metode JST

dan metode gabungan JST-GA

56

Tabel 1.1 Jadwal Kerja Prakt

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Industri di Indonesia saat ini sedang berkembang pesat dalam

rangka melaksanakan pembangunan nasional. Sejalan dengan

meningkatnya laju pembangunan, konsumsi energi di Indonesia

juga terus meningkat dari tahun ke tahun. Peningkatan ini terjadi

hampir pada semua sektor, baik sektor industri, transportasi,

komersial, rumah tangga, pembangkit listrik dan sektor lainnya

(Ayu, Hadi, & Sarwono, 2016).

Berdasarkan buku Outlook Energi Indonesia, di tahun 2013

sektor industri merupakan sektor dengan pangsa konsumsi energi

final terbesar yaitu sebesar 33%. Diikuti oleh sektor rumah tangga

sebesar 27% dan sektor transportasi sebesar 27%. Sedangkan

sektor komersial, sektor lain, dan penggunaan untuk bahan baku

adalah 10%

Tingginya konsumsi energi di sektor industri memungkinkan

terjadinya pemborosan energi yang besar pula. Sehingga

diperlukan upaya untuk dapat meningkatkan efisiensi penggunaan

energi pada industri. Di tahun 2013, kementrian ESDM

mengelompokkan industri di Indonesia menjadi Sembilan kategori.

Dari kesembilan kategori tersebut, industri semen dan barang

galian bukan logam menduduki peringkat teratas sebagai industri

mengkonsumsi energi terbesar (BPPT, 2013).

Industri semen adalah industri yang proses produksinya

merupakan high energy karena membutuhkan banyak bahan bakar,

baik pada preheater maupun Kiln (pembakar utama). Sekitar 30 –

40 % dari total production cost produksi semen hanya digunakan

untuk membiayai kebutuhan bahan bakar (Madlool & al, 2011).

Sehingga dapat disimpulkan bahwa adanya pemborosan dari segi

biaya dan penggunaan bahan bakar, oleh karena itu proses

pembakaran pada produksi semen memerlukan pengelolaan energi

yang baik, agar dapat dapat diminimalisir biaya produksi dan juga

gas berbahaya yang dibuang. Salah satunya dengan melakukan

optimisasi.

2

Optimisasi adalah suatu proses untuk mencapai hasil yang

ideal atau optimal (nilai efektif yang dapat dicapai). Optimisasi

dapat diartikan sebagai suatu bentuk mengoptimalkan sesuatu hal

yang sudah ada, ataupun merancang dan membuat sesuatu secara

optimal (Politeknik Elektronika Negeri Surabaya (PENS), n.d.). Pada penelitian sebelumnya ada yang menggunakan metode

optimisasi dengan optimal control dan pemodelan MPC (Model

Predictive Control) pada rotary cement kiln (Teja, P, & M, 2016).

Oleh karena itu dalam tugas akhir ini akan dilakukan

penelitian mengenai optimisasi pembakaran di rotary kiln dengan

metode yang berbeda yaitu optimisasi dengan genetic algorithm

dan pemodelan jaringan syaraf tiruan.

1.2. Rumusan Masalah

Berdasarkan latar belakang diatas, maka permasalahan yang

akan diangkat dalam tugas akhir ini yaitu:

1. Apakah model prediktor hasil pembakaran rotary kiln dengan

menggunakan metode Jaringan Syaraf Tiruan dapat

memprediksi hasil pembakaran rotary kiln?

2. Apakah model prediktor hasil pembakaran rotary kiln dengan

menggunakan metode Jaringan Syaraf Tiruan dan optimisasi

Genetic Algorithm dapat memprediksi hasil pembakaran

rotary kiln?

1.3. Tujuan

Tujuan dilakukan tugas akhir ini adalah sebagai berikut:

1. Membuat model prediktor hasil pembakaran rotary kiln

dengan menggunakan metode Jaringan Syaraf Tiruan agar

dapat memprediksi hasil pembakaran rotary kiln.

2. Membuat model prediktor hasil pembakaran rotary kiln

dengan menggunakan metode Jaringan Syaraf Tiruan dan

optimisasi Genetic Algorithm agar dapat memprediksi hasil

pembakaran rotary kiln.

3

1.4. Lingkup Kerja

Adapun lingkup kajian yang digunakan pada tugas akhir ini

adalah:

1. Pengambilan data di Semen Gresik Pabrik Tuban.

2. Memodelkan rotary kiln dengan menggunakan metode Jaringan

Syaraf Tiruan (JST).

3. Arsitektur Jaringan Syaraf Tiruan menggunakan Multi Layer

Perceptron (MLP), dan metode training yang digunakan adalah

metode Levenberg-Marquadt

4. Mengoptimisasi pembakaran di rotary kiln dengan metode

genetic algorithm.

5. Menggunakan software MATLAB 2015b

6. Laporan dan Analisa.

4

“Halaman ini sengaja dikosongkan”

5

BAB II

TINJAUAN PUSTAKA

2.1 Sistem Operasi Rotary Kiln

Rotary Kiln merupakan peralatan paling utama pada proses

pembuatan semen. Fungsi utamanya adalah sebagai tempat

terjadinya kontak antara gas panas dan material umpan kiln

sehingga terbentuk senyawa-senyawa penyusun semen yaitu C3S,

C2S, C3A dan FCaO (Boateng, 2008). Untuk mendapatkan hasil

semen terbaik yaitu memiliki kadar C3S dengan rentang 55-62%

dan kadar FCaO <2%

Rotary kiln di Semen Gresik pabrik Tuban mempunyai

spesifikasi silinder baja dengan diameter 5,6 m dan Panjangnya 84

m, dan ditumpu oleh tiga buah Tire. Setiap Tire ditumpu oleh

sepasang Carrying Roller. Sudut kemiringan Rotary Kiln adalah

4%, dan bagian dalam Rotary Kiln dilapisi batu tahan api.

Perputaran kiln yang berlawanan arah dengan arah jarum jam

dan dengan posisi kiln yang miring menyebabkan terjadinya gaya

dorong umpan sehingga material bisa bergerak keluar kearah

clinker cooler setelah mengalami kontak dengan gas panas.

Gambar 2.1 Alur proses rotary kiln (Boateng, 2008)

6

Umpan kiln dari preheater akan masuk melalui inlet chamber.

Tenaga gerak dari motor dan main gear menyebabkan kiln

berputar. Perputaran pada kiln diatur oleh girth gear yang berfungsi

sebagai pengaman dan mengurangi beban main gear. Karena

pengaruh kemiringan dan gaya putar kiln, maka umpan kiln akan

bergerak perlahan disepanjang kiln. Dari arah yang berlawan gas

panas hasil pembakaran batu bara dihembuskan oleh burner,

sehingga terjadi kontak panas dan perpindahan panas antara umpan

kiln dengan gas panas. Kontak panas tersebut akan mengakibatkan

terjadinya reaksi kimia untuk membentuk komponen semen.

Pembakaran akan terus berlangsung sampai terbentuk klinker dan

akan keluar menuju clinker cooler.

2.2 Pembakaran di Rotary Kiln

Di dalam rotary kiln selain jumlah panas yang dibutuhkan

untuk pembakaran raw mix harus terpenuhi, perlu juga

diperhatikan bentuk nyala saat pembakaran bahan bakar pada

burner. Bentuk nyala ini mempengaruhi kualitas klinker yang

dihasilkan. Kedua parameter ini dipengaruhi oleh proses

pembakaran saat bahan bakar mulai keluar dari ujung burner

hingga habis terbakar. Secara umum, pembakaran terjadi melalui 4

tahapan proses, yaitu: Pencampuran - Penyalaan - Reaksi Kimia -

Penyebaran Panas / Produk Pembakaran (Boateng, 2008). Selama

proses pembakaran, material akan melewati 3 zona dalam kiln

dengan range suhu yang berbeda-beda sehingga dalam kiln akan

terjadi reaksi kimia pembentukan senyawa penyusun semen. Zona-

zona tersebut, yaitu: zona dekomposisi, zona transisi, dan zona

sintering. Berikut ini proses kimia yang terjadi selama proses

pembakaran di rotary kiln (Boateng, 2008):

1. Zona dekomposisi

Saat memasuki daerah dekomposisi sejumlah kecil CaO,

Al2O3(CA), CaO·Fe2O3 (CF), 2CaO·Fe2O3, dan

5CaO·3Al2O3 (C5A3) terbentuk dari reaksi dibawah ini

CaCO3 = CaO + CO2 (600-900oC)

CaO + Al2O3 = CaO·Al2O3 (800oC)

7

CaO + Fe2O3 = CaO·Fe2O3 (800oC)

CaO + CaO·Fe2O3 = 2CaO·Fe2O3 (800oC)

3(CaO·Al2O3) + 2CaO = 5CaO·3Al2O3 (900-950 oC)

2. Zona transisi

Reaksi utama di zona ini adalah reaksi ekstotermik yang

dimulai dengan silica (C2S), (ΔH = +603 kJ/kg C2S) yang

diikuti oleh pembentukan dari C4AF (ΔH = +109 kJ/kg

C4AF), dan C3A (ΔH = +37 kJ/kg C3A). menjadi:

2CaO + SiO2 = 2CaO·SiO2 (1000oC)

3(2CaO· Fe2O3) + 5CaO·Al2O3 + CaO =

3(4CaO ·Al2O3 ·Fe2O3) (1200-1300oC)

5CaO ·3Al2O3 +4CaO = 3(3CaO ·Al2O3) (1200-1300oC)

3. Zona sintering

Pada zona ini reaksi fase liquidus terbentuk. Komponen

utamanya, C3S (ΔH = +448 kJ/kg C3S), dibentuk oleh reaksi

antara C2S Dibentuk sebelumnya dan setiap kapur bebas

tersedia sebagai,

2CaO ·SiO2 +CaO = 3CaO ·SiO2 (1350–1450oC)

Untuk mendapatkan bentuk nyala yang diinginkan merupakan

pekerjaan yang cukup kompleks sebab selain dengan mengatur

aliran di burner tip, bentuk nyala juga dipengaruhi oleh kondisi di

dalam kiln itu sendiri. Ada dua kemungkinan pengaturan bentuk

nyala, yaitu (Boateng, 2008):

1. Bentuk nyala cone flame, di mana bentuk ini dihasilkan

dengan komponen kecepatan aliran aksial diletakkan di

bagian dalam sedang komponen radial di bagian luar.

2. Bentuk nyala hollow cone flame, di mana bentuk ini diperoleh

dengan meletakkan komponen aksial di bagian luar sedang

komponen radialnya di bagian dalam.

Dari bentuk nyala ada beberapa hal penting yang berpengaruh

terhadap kualitas klinker yang dihasilkan, yaitu:

8

1. Laju Pembakaran (burning rate), Laju pembakaran ini sangat

berpengaruh terhadap ukuran komponen alite (C3S) atau

Tricalcium Silicate yang terbentuk. Komponen alite yang

berukuran kecil akan mengakibatkan klinker yang dihasilkan

tidak dusty, sehingga mempunyai potensi kuat tekan yang

tinggi dan proses penggilingannya mudah.

2. Temperatur tertinggi (maximum temperature), Pada

temperatur tertinggi yang sesuai akan dihasilkan klinker

dengan litre weight yang baik, sehingga mempunyai potensi

kuat tekan yang tinggi dan akan mudah digiling. Tetapi pada

temperatur tertinggi yang terlalu tinggi akan dihasilkan

klinker yang sifatnya berlawanan dengan sifat – sifat tersebut.

3. Waktu pembakaran (burning time), Kondisi ini sangat

berpengaruh pada ukuran belite (C2S), yaitu kenaikan waktu

pembakaran akan memperbesar ukuran belite sehingga

potensi kuat tekannya akan tinggi serta akan mudah digiling.

Selain itu kenaikan waktu pembakaran akan menurunkan

kandungan F.CaO atau Free Calcium .

4. Laju pendinginan (cooling rate) Kondisi ini sangat

berpengaruh pada warna belite yang mengindikasikan struktur

kristalnya. Pendinginan yang lambat akan menghasilkan

klinker dengan kuat tekan yang rendah.

2.3 Jenis Batubara

Batubara adalah bebatuan hidrokarbon yang terbentuk dari

tumbuhan dalam lingkungan bebas oksigen, serta terkena pengaruh

tekanan dan panas yang berlangsung sangat lama. Proses

pembentukannya (coalification) memerlukan waktu yang sangat

lama hingga jutaan tahun, mulai dari awal pembentukan yang

menghasilkan gambut, lignit, subbituminus, bituminous, dan

akhirnya terbentuk antrasit (Puslitbang Teknologi Mineral dan

Batubara, 2011). Pada rotary kiln ada dua macam batu bara yang

digunakan yaitu:

Bituminus, mengandung 68 - 86% unsur karbon (C) dan

berkadar air 8-10% dari beratnya

Antrasit, merupakan kelas batubara tertinggi dengan unsur

karbon sebesar 86%-98% dengan kadar air kurang dari 8%.

9

2.4 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan sistem pemrosesan

informasi yang terinspirasi oleh jaringan syaraf biologis. Hal tersebut membuat JST memiliki karakteristik yang hampir sama dengan jaringan syaraf biologis (Institut Teknologi Sepuluh Nopember (ITS), n.d.). Selain itu JST mampu menyelesaikan suatu permasalahan yang kompleks seperti pada rotary kiln ini JST dikembangkan berdasarkan asumsi bahwa:

1. Pemrosesan informasi terjadi pada elemen-elemen sederhana yang disebut neuron

2. Sinyal-sinyal informasi dikirimkan antar neuron melaui

pengubung

3. Tiap penghubung memiliki bobot yang berfungsi untuk

memodifikasi sinyal Neuron menerapkan fungsi aktivasi pada jumlah masukan

yang diterima untuk mentukan nilai dari sinyal keluaran (Fausett). Terdapat tiga hal penting yang membedakan antara JST yang

satu dengan JST yang lain yaitu: 1. Arsitektur, merupakan pola hubungan antar neuron 2. Training, learning atau algoritma merupakan metode yang

digunakan untuk menyesuaikan bobot penghubung 3. Fungsi aktivasi

JST terdiri dari sejumlah besar elemen dasar disebut neuron, unit, sel atau node. Keempat istilah tersebut memiliki pengertian yang sama. Neuron terdiri dari tiga elemen pembentuk yaitu (Fausett) : 1. Himpunan unit-unit yang dihubungkan oleh jalur

penghubung. Jalur tersebut memiliki bobot yang berbeda satu dengan lainnya. Bobot tersebut berfungsi memodifikasi sinyal, dimana bobot positif akan memperkuat sinyal sementara bobot negatif akan memperlemah sinyal.

2. Unit penjumlahan, yang berfungsi untuk menjumlahkan sinyal-sinyal masukan yang sudah dikalikan dengan bobot

3. Fungsi aktivasi, yang berfungsi untuk menentukan apakah sinyal dari neuron masukan akan diteruskan ke neuron lain atau tidak.

10

Gambar 2.2 Model neuron sederhana (Fausett)

Gambar 2.2 di atas menunjukkan model neuron sederhana yang terdiri dari n buah bobot (w1, w2, wn), fungsi aktivasi (f) dan output. Input x1, x2, hingga xn diteruskan melewati penghubung dengan bobot w yang memodifikasi nilainya menjadi w1x1, w2x2,….wnxn. Keseluruhan nilai input yang telah dimodifikasi ini

kemudian dijumlahkan sesuai dengan persamaan:

Net = ∑ 𝑾𝒏 . 𝐗𝒏

𝒏𝟏 ..................................................................... (2.1)

Nilai ini kemudian diteruskan ke fungsi aktivasi (f) yang

menghasilkan nilai keluaran jaringan sebesar:

output = f(net) ......................................................................... (2.2)

2.5 Metode Pelatihan Levenberg-Marquardt

Algoritma Levenberg-Marquardt merupakan salah satu jenis

dari algoritma pelatihan Artificial Neural Network

Backpropagation dengan dua jenis perhitungan, yaitu perhitungan

maju dan perhitungan mundur. Langkah dasar algoritma

Levenberg-Marquardt adalah penentuan matriks Hessian untuk

mencari bobot-bobot dan bias koneksi yang digunakan. Matriks

Hessian merupakan turunan kedua dari fungsi kinerja terhadap

masing-masing komponen bobot dan bias. Untuk memudahkan

proses komputasi, matriks Hessian diubah dengan pendekatan

secara iteratif pada masing-masing epoch selama algoritma

pelatihan berjalan. Proses proses perubahannya dilakukan dengan

menggunakan fungsi gradien. Jika fungsi kerja yang digunakan

11

berbentuk kuadrat error (Atiliani, 2013). Secara singkat

perhitungan Levenberg-Marquardt dapat dijelaskan sebagai

berikut (Mokosuli, Weku, & Latumakulita):

Langkah 0:

a. Inisialisasi bobot awal dengan bilangan acak kecil

b. Inisialisasi epoch 0, MSE ≠ 0

c. Tetapkan maksimum epoch parameter Levenberg-

Marquardt (η > 0), faktor τ dan target error.

Langkah 1:

Jika kondisi penghentian belum terpenuhi (epoch < maksimum

atau MSE > target error), lakukan langkah berikutnya.

Langkah 2:

Epoch= epoch+1

Untuk setiap pasangan data pelatihan lakukan langkah berikutnya

Langkah 3:

Unit output Y menerima target pola yang berhubungan dengan pola

input pelatihan. Jika diberikan N pasangan input data pelatihan (𝒙𝒓, 𝒕𝒓), 𝒓 = 𝟏, 𝟐, … 𝑵 ............................................................ (2.3)

Dengan:

𝒙𝒓= Input

𝒕𝒓 = Target yang akan dicapai.

Kesalahan pada suatu data pelatihan ke-r didefiniskan sebagai:

𝒆𝒓 = 𝒕𝒓 − 𝒚𝒓 .......................................................................... (2.4)

Dengan:

𝒆𝒓 = Kesalahan pada unit output

𝒕𝒓 = Keluaran yang diinginkan atau target

𝒚𝒓 = Keluaran aktual

𝒆 adalah vektor kesalahan berukuran N x 1 yang tersusun dari

𝒆𝒓, 𝒓 = 𝟏, 𝟐, … , 𝑵. 𝒆 dapat dituliskan sebagai berikut:

𝒆 = [𝒆𝟏 𝒆𝟐 … 𝒆𝑵]𝑻 ............................................................ (2.5)

Misal bobot dari bias koneksi dinyatakan dalam vektor w,w

merupakan vektor berukuran ((𝟐 + 𝟏)𝒑 + 𝟏) × 𝟏 dapat dituliskan

sebagai:

12

𝒘 = ⌊𝒘𝒋 𝒃𝟐 𝒗𝒊𝒋 𝒃𝟏𝒋⌋𝑻 ...................................................... (2.6)

Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bia

koneksi w pada suatu data pelatihan ke-r menjadi:

𝒆𝒓(𝒘) = (𝒕𝒓 − 𝒚𝒓) = (𝒕𝒓 − 𝒇𝒙𝒓, 𝒘) ...................................... (2.7)

Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi

e(w) berukuran Nx1 yang tersusun dari 𝒆𝒓(𝒘) dengan r= 1,2,…,

N. Hitung fungsi jumlah kuadrat error dengan persamaan

𝑬(𝒘) =𝟏

𝟐𝒆𝑻(𝒘)𝒆(𝒘) ............................................................ (2.8)

Hitung matriks Jacobian untuk vektor bobot dan bias koneksi:

𝑱(𝒘) = [𝝏𝒆𝒓

𝝏𝑾]

𝑵𝒙((𝟐+𝒏)𝒑+𝟏) ....................................................... (2.9)

Untuk r= 1,2,3,…, N

a. Hitung matriks Hessian untuk vektor bobot dan bias

dengan persamaan:

𝑯(𝒘) = ⌊𝑱𝑻(𝒘)𝑱(𝒘) + 𝛈 𝐈 ⌋((𝟐 + 𝒏)𝒑 + 𝟏) × ((𝟐 +

𝒏)𝒑 + 𝟏) ................................................................ (2.10)

b. Hitung perubahan vektr bobot dan bias dengan persamaan:

∆𝒘 = − ⌊[𝑯(𝒘)]−𝟏𝑱𝑻(𝒘)𝒆(𝒘)⌋((𝟐 + 𝒏)𝒑 + 𝟏) ×

((𝟐 + 𝒏)𝒑 + 𝟏) ....................................................... (2.11)

c. Hitung vektor bobot dan bias baru

𝒘(𝒃𝒂𝒓𝒖) = 𝒘(𝒍𝒂𝒎𝒂) + ∆𝒘 ................................. (2.12)

d. Hitung kesalahan yang tejadi oleh bobot dan bias koneksi

yang baru

𝑬(𝒘(𝒃𝒂𝒓𝒖)) =𝟏

𝟐𝒆(𝒘(𝒃𝒂𝒓𝒖))

𝑻𝒆(𝒘(𝒃𝒂𝒓𝒖)) ..... (2.13)

e. Bandingkan E(w) dengan E(w(baru))

Jika 𝑬(𝒘) ≤ 𝑬(𝒘(𝒃𝒂𝒓𝒖)) maka didapatkan 𝛈 =𝛈 ∗ 𝛕 dan kembali ke langkah a.

Jika 𝑬(𝒘) > 𝑬(𝒘(𝒃𝒂𝒓𝒖)) maka didapatkan 𝛈/ 𝛕𝒘(𝒕 + 𝟏) = 𝒘(𝒕) + ∆𝒘 kembali ke langkah

2.6 Root Mean Squared Squared Error (RMSE)

Root Mean Square Error (RMSE) biasanya digunakan untuk

mengetaui perbedaan antara nilai yang di prediksi oleh model

dengan nilai aktual yang telah di observasi. RMSE menghitung

13

rata-rata error berdasarkan pada nilai kuadrat error, dan tidak

mengindikasikan arah nilai deviasi. RMSE lebih baik jika

digunakan pada nilai error yang besar dibandingkan nilai error

yang kecil, yang mana akan lebih baik jika error besar tersebut

tidak diinginkan (Litta A. J, 2012). RMSE juga lebih baik

digunakan dalam peramalan konservatif. Berikut ini adalah rumus

dari RMSE

𝑹𝑴𝑺𝑬 = √𝟏

𝑵∑ (𝑭𝒊 − 𝑶𝒊)𝟐𝑵

𝒊−𝟏 ............................................... (2.14)

Dimana:

𝑭𝒊= Nilai prediksi

𝑶𝒊= Nilai Aktual

N = Jumlah Data

2.7 Aplikasi Jaringan Syaraf Tiruan pada Matlab

Aplikasi Jaringan Syaraf Tiruan merupakan salah satu

produk yang tersedia secara opsional pada Matlab. Aplikasi JST

pada Matlab dikenal dengan nama Neural Network Toolbox

(NNT). Toolbox ini menyediakan berbagai fungsi dan aplikasi

untuk melakukan pemodelan sistem nonlinear yang sangat

kompleks dengan menerapkan prinsip-prinsip JST. NNT

mendukung pelatihan dengan supervisi dan tanpa supervisi.

Dengan bantuan NNT, pengguna dapat merancang berbagai jenis

Jaringan Syaraf Tiruan, melatih, dan mensimulasikan JST tersebut.

NNT dapat digunakan untuk berbagai aplikasi seperti fitting data,

pengenalan pola, pengelompokan data, prediksi, dan pemodelan

sistem dinamik (Demuth, Beale, & Hagan, 2004).

Terdapat beberapa cara untuk merancang JST menggunakan

NNT yang ada pada Matlab. Pertama yaitu dengan menggunakan

toolbox berbasis Graphical User Interface (GUI) seperti tampak

pada Gambar 2.5 di bawah. Toolbox ini dapat ditampilkan dengan

mengetikkan perintah “nnstart” pada command line.

14

Gambar 2.3 Tampilan GUI Neural Network Start (Demuth,

Beale, & Hagan, 2004)

Cara kedua yaitu dengan menuliskan script yang berisi fungsi-fungsi JST yang sudah disediakan oleh Neural Network Toolbox Matlab seperti yang ditunjukkan pada Gambar 2.6

Gambar 2.4 Contoh baris perintah program Jaringan Syaraf

Tiruan pada Matlab (Demuth, Beale, & Hagan,

2004)

Script di atas hanya terdiri dari tiga baris, namun sudah mencakup langkah-langkah perancangan JST mulai dari

inisialisasi hingga pelatihan JST. Gambar 2.5 di bawah menunjukkan arsitektur JST yang dibuat berdasarkan perintah pada

Gambar 2.4 JST dengan arsitektur demikian umumnya disebut memiliki konfigurasai 13 – 2 – 1.

15

Gambar 2.5 Arsitektur JST dengan satu input layer (13 variabel

input), satu hidden layer yang memiliki 20 hidden

node dan 1 output layer pada Matlab. (Demuth,

Beale, & Hagan, 2004)

2.8 Genetic Algorithm

Genetic algorithm dikembangkan oleh John Holland pada

tahun 1970. Genetic algorithm adalah algoritma optimisasi yang

meniru prinsip genetika alam dan seleksi alam. Genetic algorithm

melakukan pencarian dengan arah yang acak menggunakan

alternatif yang telah diberikan untuk menemukan alternatif terbaik

dengan menyesuaikan pada kriteria fitness. Fitness adalah suatu

nilai yang akan dimaksimalkan atau diminimalkan. Sebuah

populasi awal dari kromosom diambil untuk menghasilkan

keturunan yang dapat bertahan hidup untuk membuat generasi

berikutnya (Gill, Singh, & Singh, 2010). Operasi dasar dari Genetic

algorithm adalah selection, crossover, dan mutation. Hal- hal yang

harus dilakukan dalam algoritma genetika adalah (Politeknik

Elektronika Negeri Surabaya (PENS), n.d.):

1. Mendefinisikan individu, dimana individu menyatakan salah

satu solusi (penyelesaian) yang mungkin dari penyelesaian

yang diangkat

2. Mendefinisikan nilai fitness, yang merupakan ukuran baik

tidaknya sebuah individu atau baik tidaknya solusi yang

didapatkan.

3. Menentukan proses pembangkitan populasi awal, hal ini

biasanya dilakukan dengan menggunakan pembangkitan

acak seperti random-walk.

16

4. Menentukan proses seleksi yang akan digunakan, dengan

menggunakan mesin roulette, yang merupakan metode yang

paling sederhana dan sering dikenal dengan nama stochastic

sampling with replacemenet

5. Menentukan proses perkawinan silang (cross-over) dan

mutasi den yang akan digunakan

a. Perkawinan silang (crossover), adalah operator dari

genetic algorithm yang melibatkan dua induk untuk

membentuk kromosom baru. Perkawinan silang

menghasilkan titik baru dalam ruang pencarian yang

siap untuk diuji.

Gambar 2.6 Crossover dengan pindah silang satu titik

b. Mutasi gen, operator ini berperan unutk menggantikan

gen yang hilang dari populasi akibat proses seleksi yang

memungkinkan munculnya kembali gen yang tidak

muncul pada inisialisasi populasi.

Gambar 2 .7 Mutasi Gen

17

BAB III

METODE PENELITIAN

Diagram alir dari penelitian ini ditunjukkan pada Gambar

(3.1).

Gambar 3. 1 Diagram alir penelitian

Ket:

RMSE < 0,5 : FCaO

RMSE < 1,5 : C3S

18

3.1 Pengumpulan Data Input dan Output dan Operasional

Rotary Kiln Di Pabrik Tuban Semen Gresik

Pengumpulan data yang diperlukan dalam tugas akhir ini

yakni berupa data spesifikasi, desain dan operasional rotary kiln.

3.2 Studi Literatur

Studi literatur merupakan kegiatan yang dilakukan untuk

mempelajari prinsip dasar untuk melakukan penelitian, yaitu

variabel prediksi hasil pembakaran rotary kiln, Jaringan Saraf

Tiruan, Algoritma Genetik, Literatur yang digunakan adalah buku,

jurnal penelitian ilmiah, artikel ilmiah, laporan tugas akhir dan juga

informasi-informasi yang diperoleh dari pihak PT. Semen Gresik

Pabrik Tuban.

3.3 Pengujian Data

Pengujian data bertujuan untuk memastikan bahwa adanya

hubungan antara variabel-variabel input terhhadap variabel output.

Pengujian data dan analisisi data menggunakan software IBM

SPSS Statistics 24. Uji data dan analisis data yang dilakukan,

meliputi:

a. Uji data outlier

Data outlier adalah data yang secara nyata berbeda dengan

data-data yang lain. Untuk mendeteksi apakah ada data

outlier atau tidak, dilihat dari nilai standardisasi data (z).

Jika sebuah data outlier, maka nilai z yang didapat lebih

besar dari angkat +2.5 atau lebih kecil dari angkat -2.5

b. Analisis Regresi

Analisis regresi digunakan untuk memprediksi seberapa

jauh perubahan nilai variabel dependen, bila nilai variabel

independen di manipulasi atau dirubah-rubah atau dinaik-

turunkan. Bila koefisien korelasi (r) tinggi, pada umumnya

koefisien regresi (b) juga tinggi, sehingga daya

prediktifnya akan tinggi

c. Analisis Korelasi

Variabel rotary kiln yang dimiliki yaitu kiln feed, kiln coal,

kiln speed, sekam, FCaO, C3S dan temperatur akan

19

dianalisis korelasinya untuk mengetahui korelasi antar

variabel input terhadap variabel output maka dilihat dari

nilai koefisien korelasi. Koefisien korelasi positif terbesar

adalah 1 dan koefisien korelasi negatif terbesar adalah -1,

sedangkan yang terkecil adalah 0.

3.4 Pembuatan Program JST

Pada penelitian ini, arsitektur JST yang digunakan adalah JST

multilayer dengan algoritma pelatihan Levenberg-Marquardt.

Arsitektur JST tersebut ditunjukkan pada Gambar 3.2 di bawah.

Gambar 3. 2 Arsitektur JST yang digunakan pada penelitian Tugas

Akhir

Keempat kotak menunjukkan elemen bias yang bertindak

sebagai variabel input pada jaringan syaraf tiruan. Sementara itu,

garis panah yang menghubungkan masing-masing node pada

arsitektur di atas memiliki bobot yang bernilai acak.

Nilai bobot awal untuk masing-masing pelatihan akan berbeda satu

sama lain sehingga bobot akhir masing-masing pelatihan pun akan

berbeda.

Hidden Layer

Clinker Quality

Kiln Feed

Kiln Coal

Kiln Speed

Sekam

20

Gambar 3. 3 Diagram alir pembuatan program JST

Mulai

Data Rotary Kiln(Kiln Feed, Coal,

Sekam, Kiln Speed, FCaO dan C3S)

Penentuan jumlah data Input dan

Output

Pembentukan arsitektur JST dengan

melakukan variasi hidden node

Pelatihan JST

Epoch=150

Validasi data

Data nilai RMSE dan

bobot terbaik

Selesai

Ya

Tidak

21

Algoritma pertama yang digunakan untuk melakukan prediksi

hasil pembakaran rotary kiln adalah algoritma yang hanya

menggunakan model jaringan syaraf tiruan. Dapat dilihat pada

diagram alir, langkah pertama yaitu mengambil data input dari

rotary kiln sesuai dengan variabel hasil pembakaran yang

dibutuhkan dalam melakukan prediksi jumlah clinker, persentase

FCaO dan C3S. Data tersebut kemudian dilakukan normalisasi

sehingga data dari seluruh variabel cuaca memiliki range yang

sama yaitu 0 hingga 1. Setelah itu, jumlah data untuk pelatihan dan

validasi ditentukan dan divariasikan. Terdapat variasi pada

arsitekturnya yaitu variasi jumlah hidden node. Jumlah hidden

node yang digunakan yaitu dimulai dari 1 buah hidden node hingga

10 buah hidden node. Kemudian dilakukan pelatihan data

menggunakan algoritma pembelajaran dari jaringan syaraf tiruan

hingga epoch maksimal yaitu 300 epoch. Hasil dari data pelatihan

tersebut kemudian di validasi dan dilihat nilai RMSE yang terbaik

dari semua variasi yang telah dilakukan. Sehingga akan diperoleh

jumlah data validasi dan jumlah hidden node yang terbaik untuk

melakukan prediksi hasil pembakaran di rotary kiln.

3.5 Validasi Hasil Pemodelan

Dasar penentuan model JST terbaik dari 10 jenis JST dengan

10 hidden node berbeda terletak pada nilai RMSE (Mean Squared

Error) rata-rata validasi masing-masing JST tersebut.

𝑹𝑴𝑺𝑬 = √𝟏

𝑵∑ (𝑭𝒊 − 𝑶𝒊)𝟐𝑵

𝒊−𝟏 ................................................. (3.1)

3.6 Optimisasi dengan Genetic Algorithm

Optimisasi yang digunakan adalah Genetic Algorithm. Genetic

Algorithm merupakan metode adaptive yang biasa digunakan

untuk memecahkan suatu pencarian nilai dari sebuah masalah

optimisasi. Berikut ini adalah diagram alir dari genetic algorithm

22

Gambar 3. 4 Diagram alir optimisasi genetic algorithm

Berikut ini adalah langkah-langkah metode gabungan dari

jaringan syaraf tiruan dan genetic algorithm

Langkah 1:

Mendefinisikan individu, individu adalah sekumpulan dari

bobot JST.

Individu yang digunakan sebanyak 20

Iterasi yang digunakan sebanyak 10

Langkah 2:

Membangkitkan populasi awal secara acak.

Mulai

Data Rotary Kiln (Kiln Feed, Coal, Sekam,

Kiln Speed, FCaO dan C3S)

Pembentukan arsitektur untuk pemodelan

JST

Pembentukan populasi awal secara acak

Seleksi individu berdasarkan

RMSE terkecil

Evaluasi fitness (nilai RMSE

hasil model JST)

Crossover

Mutasi

Populasi baru

Evaluasi nilai fitness dengan populasi

baru

Nilai RMSE<Nilai RMSE sebelumnya dan konvergen

Nilai RMSE dan bobot JST terbentuk

Selesai

23

Langkah 3:

Evaluasi nilai fitness

Nilai fitness adalah 1

𝑅𝑀𝑆𝐸 , dengan nilai RMSE sebagai

berikut:

𝑹𝑴𝑺𝑬 = √𝟏

𝑵∑ (𝑭𝒊 − 𝑶𝒊)𝟐𝑵

𝒊−𝟏 .......................................... (3.2)

dimana:

𝑭𝒊 = Nilai prediksi

𝑶𝒊 = Nilai Aktual

N = Jumlah Data

Nilai prediksi merupakan nilai dari keluaran JST, untuk

mendapatkan nilai prediksi sebagai berikut:

Pertama, menghitung nilai sinyal masukan ke node

tersembunyi

𝒚𝒊𝒏.𝒋 = 𝒘𝟎𝒋 + ∑ 𝒙𝒊𝒘𝒊𝒋𝒏𝒊=𝟏 ................................................. (3.3)

dimana:

yin.j = sinyal masukan ke node tersembunyi (j=1,2,3,…..,n)

w0j = nilai bobot dari bias menuju node tersembunyi

xi = sinyal keluaran dari node masukan (i=1,2,3,…..,m)

wij = nilai bobot dari node masukan menuju node tersembunyi

Kedua, mengitung sinyal keluaran dari node tersembunyi

yang didapatkan dengan mengaplikasikan sinyal masukan

pada fungsi aktivasi. Fungsi aktivasi yang dapat digunakan

yaitu Tangen Sigmoid.

24

Gambar diatas menunjukkan fungsi aktivasi dari Tangen

Sigmoid atau Tangen Hiperbolik. Pemilihan fungsi aktivasi

Tangen Sigmoid untuk prediksi hasil pembakaran rotary kiln

dikarenakan Tangen Sigmoid merupakan fungsi aktivasi yang

banyak digunakan dalam kasus prediksi. Alasan banyak

digunakannya fungsi aktivasi Tangen Sigmoid dikarenakan

fungsi tersebut dapat memenuhi properti diantara turunan dan

dirinya sediri sehingga mudah dilakukan secara komputasi.

Tangen Sigmoid juga dapat digunakan untuk pemodelan yang

non linear. Tangen sigmoid memilki interval dari -1 hingga

1. Sehingga, dapat digunakan persamaan berikut untuk

mencari sinyal keluaran node tersembunyi:

𝒚𝒋 = 𝐭𝐚𝐧𝐡 (𝒚𝒊𝒏.𝒋) ............................................................ (3.4)

Ketiga, menghitung nilai sinyal masukan ke node keluaran

𝒛𝒊𝒏.𝒌 = 𝒗𝟎𝒌 + ∑ 𝒚𝒋𝒗𝒋𝒌𝒏𝒋=𝟏 ............................................... (3.5)

dimana:

zin.k = sinyal masukan ke node keluaran (k=1,2,3,…..,p)

v0k = nilai bobot dari bias menuju node keluaran

yj = sinyal keluaran dari node tersembunyi (j=1,2,3,…..,n)

vjk = nilai bobot dari node tersembunyi menuju node keluaran

Terakhir, memperoleh sinyal node keluaran dapat diperoleh

dengan mengaplikasikan sinyal masukan pada fungsi aktivasi.

Fungsi aktivasi yang dapat digunakan yaitu Tangen Sigmoid.

Sehingga, dapat digunakan persamaan berikut untuk mencari

sinyal keluaran dari node keluaran adalah:

25

𝒛𝒌 = 𝐭𝐚𝐧𝐡 (𝒛𝒊𝒏.𝒌) ............................................................ (3.6)

dimana:

zk = sinyal keluaran dari node keluaran (k=1,2,3,…..,p).

Nilai sinyal keluaran dari node keluaran ini yang disebut nilai

prediksi dari keluaran JST (𝑭𝒊)

Langkah 4:

Seleksi individu, pemilihan individu berdasarkan nilai fitness-

nya. Semakin tinggi nilai fitness suatu individu semakin besar

kemungkinan untuk terpilihnya. Teknik seleksi yang digunakan

adalah elitism

Langkah 5:

Crossover, salah satu operator yang melibatkan dua induk

untuk menghasilkan keturunan yang baru. Melakukan

pertukaran gen dari dua induk secara acak.

Langkah 6:

Mutasi gen, operator yang menukar nilai gen dengan nilai

inversinya, misalnya nilai gen 0 ditukar menjadi nilai gen 1.

Setiap individu mengalami mutasi gen dengan probabilitas

mutasi yang telah ditentukan yaitu antara 0-1. Mutasi gen

dilakukan dengan memberikan nilai inversi atau menggeser

nilai gen pada gen yang terpilih untuk dimutasikan.

Langkah 7:

Bila kriteria yang diinginkan belum terpenuhi maka akan

dibentuk lagi generasi baru dengan mengulang langkah 3

hingga langkah 7.

Pada penelitian ini yang dioptimisasi dari pemodelan jaringan

syaraf tiruan yang didapat adalah bobot nya agar ketika bobot

sudah dioptimisasi maka akan mendapatkan RMSE yang minimum

antara data aktual dan data hasil pemodelan, dengan fungsi

obyektif nya:

26

𝑓 = 1/𝑥

Dimana x adalah nilai RMSE nya, semakin kecil nilai RMSE

maka semkin besar fungsi obyektifnya.

3.7 Simulasi

Hasil perhitungan optimisasi tersebut kemudian di simulasi

dengan bantuan software matlab dan nantinya akan diketahui

apakah sudah optimum apa belum.

3.8 Analisa Hasil Perhitungan

Dari hasil pengujian yang telah dilakukan didapatkan data-

data yang kemudian di analisa untuk menjawab tujuan dalam

bentuk kesimpulan tugas akhir. Setelah melakukan analisa data

maka akan akan menghasilkan hasil optimasi dari pembakaran di

rotary kiln.

27

BAB IV

HASIL DAN PEMBAHASAN

Dalam penelitian ini metode penentuan bobot yang

digunakan pada training jaringan syaraf tiruan yaitu metode

Lavenberg-Marquardt dengan struktur jaringan syaraf tiruan

menggunakan Multi Layer Perceptron (MLP). Struktur input

jaringan syaraf tiruan yang terdiri dari 4 input yaitu kiln feed, kiln

Coal, kiln speed, sekam, 2 hidden neuron , dan 2 output yaitu C3S,

dan FCaO. Sehingga terdapat matrik 4x2 yang merupakan bobot

pengali antara input layer ke hidden layer, dan 2x3 yang

merupakan bobot pengali antara hidden layer dan output layer.

Proses training pada dasarnya adalah untuk menentukan bobot

antara input layer dan hidden layer serta bobot antara hidden layer

dan output layer.

Kriteria pemodelan proses yang dihasilkan dinyatakan dalam

RMSE (Root Mean Square Error) dimana semakin kecil nilai

RMSE yang dihasilkan (mendekati nilai 0) akan menghasilkan

prediksi output yang lebih baik.

6.1. Pengujian Data Rotary Kiln

Seperti yang sudah dijelaskan pada bab sebelumnya, uji dan

analisa dilakukan dengan menggunakan software IBM SPSS

Statistics 24. Berikut merupakan hasil dari analisa data yang

digunakan untuk memilih variabel masukan untuk melakukan

prediksi persentase FCaO dan C3S.

4.1.1 Analisa Regresi Antar Variabel

Analisa regresi digunakan untuk memprediksikan seberapa

jauh perubahan nilai variabel dependen (terikat), bila nilai variabel

independen (bebas) dimanipulasi atau diubah (Sugiyono, 2017).

Hal ini nantinya akan digunakan untuk menentukan variabel rotary

kiln apa saja yang dapat dijadikan sebagai data masukan dalam

melakukan prediksi variabel hasil pembakaran rotary kiln yang

diinginkan, khususnya variabel persentase FCaO dan C3S.

28

- Persentase FCaO

Variabel dependen pertama yang digunakan merupakan

keluaran hasil prediksi pertama yaitu Persentase FCaO (FCaO).

Variabel independen yang digunakan adalah sebuah variabel cuaca

yang telah diperoleh datanya, yaitu Kiln Feed, Kiln Coal, Sekam,

Kiln Speed, C3S dan Temp. Analisa regresi yang dilakukan adalah

analisa regresi linear berganda, yang mana berguna untuk

menganalisa hubungan antara banyak variabel independen dengan

satu variabel dependen (Priyatno, 2009). Hasil analisa regresi dapat

dilihat pada tabel 4.1 dan 4.2.

Tabel 4.1. Analisa regresi antara seluruh variabel rotary kiln

dengan persentase FCaO

Dependent

Variable R R2

Std. Error of

the Estimate

FCaO 0.499 0.249 0.364

Pada tabel 4.1. nilai R menunjukkan koefisien korelasi

berganda, yaitu antara variabel independen dengan dependen. Jika

nilai R mendekati 1, maka hubungannya semakin tinggi. Dengan

nilai R sebesar 0,499, dapat disimpulkan bahwa seluruh variabel

independen memiliki hubungan yang erat dengan kecepatan angin.

Nilai R2 menunjukkan koefisien determinasi dengan diubah ke

bentuk persen, sehingga menunjukkan persentasi pengaruh

variabel independen terhadap variabel dependen. Dengan nilai R2

sebesar 0,249, artinya presentasi pengaruh seluruh variabel

independen terhadap persentase FCaO adalah sebesar 24.9%,

sedangkan sisanya sebesar 75,1% dipengaruhi oleh variabel lain

yang tidak dimasukkan.

Standard Error of the Estimate menunjukkan ukuran

kesalahan prediksi. Dalam kasus ini nilainya sebesar 0.364 yang

berarti kesalahan yang dapat terjadi dalam melakukan prediksi

persentase FCaO adalah sebesar 0,364 %.

29

Tabel 4.2. Analisa regresi antara masing-masing variabel rotary

kiln dengan persentase FCaO

Independent

Variable

Unstandardized

Coefficients

Standardized

Coefficients t Sig.

B Std.

Error Beta

(Constant) 4,886 0,437 - 11,173 0,000

Feed(X1) 0,004 0,001 0,382 5,64 0,000

Coal(X2) 0,016 0,005 0,107 3,298 0,001

Speed(X3) -0,002 0,000 -0,448 -6,512 0,000

Sekam(X4) -0,03 0,003 -0,294 -9,698 0,000

Temp(X5) 0,001 0,000 0,058 1,988 0,047

C3S(X6) -0,066 0,007 -0,295 -9,912 0,000

*Dependent Variable: FCaO (Y’)

Pada tabel 4.2. terdapat koefisien B yang terdiri dari nilai

konstan (constant) sebesar 4,886 yang menunjukkan nilai variabel

dependen jika seluruh variabel independen bernilai nol, dan juga

terdapat koefisien regresi yang terletak dibawah nilai konstan pada

tabel. Nilai-nilai ini kemudian dimasukkan ke dalam persamaan

linear berganda, sebagai berikut.

𝑌′ = 4.886 + 0.004𝑋1 + 0.016𝑋2 − 0.002𝑋3 − 0.03𝑋4 +0.001𝑋5 − 0.066𝑋6 (4.1)

Nilai beta merupakan koefisien yang menunjukkan besarnya

pengaruh masing-masing variabel independen terhadap variabel

persentase FCaO. Semakin nilai beta mendekati nol, maka

pengaruhnya terhadap persentase semakin kecil. Dilihat dari nilai

yang tertera pada tabel, variabel yang memiliki pengaruh yang

besar terhadap persentase dengan nilai koefisien beta diatas 0,1

adalah Feed, Coal, Speed, Sekam dan C3S.

30

- Persentase C3S

Variabel dependen kedua yang digunakan merupakan

keluaran hasil prediksi kedua yaitu C3S. Variabel independen yang

digunakan adalah sebuah variabel cuaca yang telah diperoleh

datanya, yaitu Kiln Feed, Kiln Coal, Sekam, Kiln Speed, FCaO dan

Temp. Analisa regresi yang dilakukan adalah analisa regresi linear

berganda, yang mana berguna untuk menganalisa hubungan antara

banyak variabel independen dengan satu variabel dependen

(Priyatno, 2009). Hasil analisa regresi dapat dilihat pada tabel 4.3

dan 4.4.

Tabel 4.3. Analisa regresi antara seluruh variabel rotary kiln

dengan C3S

Dependent

Variable R R2

Std. Error of

the Estimate

C3S 0,375 0.141 1,7511

Pada tabel 4.3. nilai R menunjukkan koefisien korelasi

berganda, yaitu antara variabel independen dengan variabel

dependen. Jika nilai R mendekati 1, maka hubungannya semakin

tinggi. Dengan nilai R sebesar 0.375, dapat disimpulkan bahwa

seluruh variabel independen memiliki hubungan yang cukup erat

dengan persentase C3S.

Nilai R2 menunjukkan koefisien determinasi dengan diubah ke

bentuk persen, sehingga menunjukkan persentasi pengaruh

variabel independen terhadap variabel dependen. Dengan nilai R2

sebesar 0.141, artinya presentasi pengaruh seluruh variabel

independen terhadap visibilitas adalah sebesar 14,1%, sedangkan

sisanya sebesar 85,9% dipengaruhi oleh variabel lain yang tidak

dimasukkan.

Standard Error of the Estimate menunjukkan ukuran

kesalahan prediksi. Dalam kasus ini nilainya sebesar 1,7511 yang

berarti kesalahan yang dapat terjadi dalam melakukan prediksi

visibilitas adalah sebesar 1,7511 %.

31

Tabel 4.4. Analisa regresi antara masing-masing variabel rotary

kiln dengan persentase C3S

Independent

Variable

Unstandardized

Coefficients

Standardized

Coefficients t Sig.

B Std.

Error Beta

(Constant) 62,003 0,841 - 73,737 0,000

Feed(X1) -0,008 0,004 -0,157 -2,138 0,033

Coal(X2) 0,116 0,023 0,176 5,129 0,000

Speed(X3) 0,000 0,002 0,015 0,199 0,832

Sekam(X4) -0,062 0,015 -0,135 -4,004 0,000

Temp(X5) 0,000 0,002 -0,006 -0,179 0,858

FCaO(X6) -1,519 0,153 -0,338 -9,912 0,000

*Dependent Variable: C3S (Y’)

Pada tabel 4.4. terdapat koefisien B yang terdiri dari nilai

konstan (constant) sebesar 62,003 yang menunjukkan nilai

variabel dependen jika seluruh variabel independen bernilai nol,

dan juga terdapat koefisien regresi yang terletak dibawah nilai

konstan pada tabel. Nilai-nilai ini kemudian dimasukkan ke dalam

persamaan linear berganda, sebagai berikut.

𝑌′ = 62.003 − 0.008𝑋1 + 0.116𝑋2 + 0.000𝑋3 − 0.062𝑋4 +0.000𝑋5 − 1.519𝑋6 (4.2)

Nilai beta merupakan koefisien yang menunjukkan besarnya

pengaruh masing-masing variabel independen terhadap variabel

persentase C3S. Semakin nilai beta mendekati nol, maka

pengaruhnya terhadap visibilitas semakin kecil. Dilihat dari nilai

yang tertera pada tabel, variabel yang memiliki pengaruh yang

besar terhadap persentase C3S dengan nilai koefisien beta diatas

0,1 adalah Feed, Coal, Sekam, dan FCaO.

32

4.1.2 Analisa Korelasi Antar Variabel Rotary Kiln

Analisa korelasi dilakukan untuk melihat hubungan antara

satu variabel rotary kiln dengan variabel rotary kiln lainnya yang

dapat dilihat dari nilai koefisien korelasi. Dalam hal ini, analisa

korelasi digunakan untuk melihat hubungan antar variabel

independen sehingga dapat diketahui variabel independen mana

saja yang dapat digunakan secara bersama-sama sebagai data

masukan untuk melakukan prediksi. Interval koefisien korelasi

antara 0 – 0,199 tingkat korelasinya sangat rendah, 0,2 – 0,399

tingkat korelasinya rendah, 0,4 – 0,599 tingkat korelasinya sedang,

0,6 – 0,799 tingkat korelasinya kuat, dan 0,8 – 1 tingkat korelasinya

sangat kuat (Sugiyono, 2017).

- Persentase FCaO

Terdapat 5 variabel yang memiliki pengaruh besar terhadap

perubahan persentase FCaO dilihat dari hasil analisa regresi, yaitu

Feed dengan koefisien beta 0,382, Coal dengan koefisien beta

0,107, Speed dengan koefisien beta -0,448, Sekam dengan

koefisien beta -0,294, dan C3S dengan koefisien beta -0,295.

Kemudian dapat dilihat koefisien korelasi antar variabel tersebut

pada tabel 4.5.

Tabel 4.5. Koefisien korelasi dengan variabel dependen

persentase FCaO

Pearson Correlations

Feed Coal Speed Sekam C3S

Feed 1 0,317 0,896 -0,069 -0,102

Coal 0,317 1 0,367 -0.161 -0.126

Speed 0,896 0,367 1 0,019 -0,045

Sekam -0,069 -0.161 0,019 1 0.038

C3S -0,102 -0.126 -0,045 0.038 1

Dapat dilihat pada tabel 4.5. bahwa nilai koefisien korelasi

yang dihasilkan antara Feed dan Speed berada pada interval tingkat

33

korelasi yang sangat kuat. Sedangkan nilai koefisien korelasi yang

dihasilkan antara Coal, Speed, Sekam, dan C3S masing-masing

berada pada interval tingkat korelasi rendah dan sangat rendah.

Sehingga, dapat disimpulkan variabel Feed, Coal, Speed dapat

digunakan sebagai variabel masukan untuk melakukan prediksi

persentase FCaO.

- Persentase C3S

Terdapat 4 variabel yang memiliki pengaruh besar terhadap

perubahan kecepatan angin dilihat dari hasil analisa regresi, yaitu

Feed dengan koefisien beta -0,157, Coal dengan koefisien beta

0,176, Sekam dengan koefisien beta -0,135, FCaO dengan

koefisien beta -0,338. Kemudian dapat dilihat koefisien korelasi

antar variabel tersebut pada tabel 4.6.

Tabel 4.6. Koefisien korelasi dengan variabel dependen

persentase C3S

Pearson Correlations

Feed Coal Sekam FCaO

Feed 1 0,317 -0,069 0,068

Coal 0,317 1 -0,161 0,08

Sekam -0,069 -0,161 1 -0,337

FCaO 0,068 0,08 -0,337 1

Dapat dilihat pada tabel 4.6. bahwa nilai koefisien korelasi

yang dihasilkan antara Feed, Coal, Sekam, dan FCaO masing-

masing berada pada interval tingkat korelasi rendah dan sangat

rendah. Tetapi, dapat dilihat juga koefisien beta antara Feed dan

Coal dengan persentase C3S bernilai cukup besar dibanding

variabel lainnya. Sehingga, dapat disimpulkan variabel Feed dan

Coal tetap dapat digunakan sebagai variabel masukan untuk

melakukan prediksi persentase C3S.

34

4.1.3 Analisa Jalur (Path Analysis) Antar Variabel Cuaca

Gambar 4.1. Hipotesis awal diagram jalur antar variabel rotary

kiln

Analisa jalur digunakan untuk untuk menunjukkan hubungan

(korelasi) dan besar pengaruh (regresi) antar variabel yang

berbentuk sebab akibat atau kausal yang dalam hal ini adalah

variabel independen dan variabel dependen. Analisa jalur

dilakukan dengan melihat hasil regresi dan korelasi yang telah

dilakukan sebelumnya dan kemudian membuat hipotesis awal

X1

X2

X3

X4

X6

X5

Y

: Regresi

: Korelasi

35

diagram jalur. Kemudian berdasarkan besar koefisien beta pada

analisa regresi dan besar koefisien korelasi pada analisa korelasi,

maka dapat dipilih variabel rotary kiln apa saja yang dapat

digunakan sebagai masukan untuk melakukan persentase FCaO

dan C3S.

- Persentase FCaO

Pada hipotesis awal diagram jalur untuk melakukan prediksi

Persentase FCaO (Y), yang digunakan sebagai masukan atau dapat

disebut juga variabel kausalnya adalah Feed (X1), Coal (X2),

Speed (X3), Sekam (X4), Temp (X5), dan C3S (X6). Berikut ini

merupakan kesimpulan dari hasil analisa jalur untuk variabel

dependen persentase FCaO:

a. Pengaruh variabel Feed terhadap FCaO adalah sebesar

0,382 atau 38,2%.

b. Pengaruh variabel Coal terhadap FCaO adalah sebesar

0,107 atau 10,7%.

c. Pengaruh variabel Speed terhadap FCaO adalah sebesar -

0,448 atau -44,8%.

d. Pengaruh variabel independen secara gabungan terhadap

variabel dependen FCaO adalah sebesar 0,249 atau 24.9%

e. Pengaruh variabel lain di luar analisa jalur adalah sebesar

75,1%

f. Korelasi antara variabel Feed dengan Coal adalah sebesar

0,317

g. Korelasi antara variabel Feed dengan Speed adalah sebesar

0,896

h. Korelasi antara variabel Coal dengan Speed adalah sebesar

0,367

Setelah dilakukan analisa jalur dengan menggunakan analisa

regresi dan korelasi, maka diperoleh hasil diagram analisa jalur

seperti pada gambar 4.2.

36

Gambar 4.2. Diagram jalur untuk prediksi persentase FCaO

- Persentase C3S

Pada hipotesis awal diagram jalur untuk melakukan prediksi

Persentase C3S (Y), yang digunakan sebagai masukan atau dapat

disebut juga variabel kausalnya adalah Feed (X1), Coal (X2),

Speed (X3), Sekam (X4), Temp (X5), dan C3S (X6). Berikut ini

merupakan kesimpulan dari hasil analisa jalur untuk variabel

dependen kecepatan angin:

a. Pengaruh variabel Feed terhadap C3S adalah sebesar -

0,157 atau 15,7%.

b. Pengaruh variabel Coal terhadap C3S adalah sebesar 0,176

atau 17,6%.

c. Pengaruh variabel independen secara gabungan terhadap

variabel dependen C3S adalah sebesar 0,141 atau 14,1%.

d. Pengaruh variabel lain di luar analisa jalur adalah sebesar

85,9%

e. Korelasi antara variabel Feed dengan Coal adalah sebesar

0,317

Y

X1

X2

X3

: Regresi

: Korelasi

37

Setelah dilakukan analisa jalur dengan menggunakan analisa

regresi dan korelasi, maka diperoleh hasil diagram analisa jalur

seperti pada gambar 4.3.

Gambar 4.3. Diagram jalur untuk prediksi persentase C3S

6.2. Prediksi Hasil Pembakaran Rotary Kiln dengan

menggunakan Jaringan Syaraf Tiruan

Jumlah hidden node pada arsitektur jaringan syaraf tiruan

dapat mempengaruhi performa dan keakuratan dari hasil keluaran

jaringan. Pada penelitian ini digunakan arsitektur jaringan syaraf

tiruan dengan menggunkan satu hidden layer, satu input layer, dan

satu output layer. Di dalam hidden layer terdapat beberapa hidden

node, yang mana jumlah hidden node nantinya akan

mempengaruhi hasil pelatihan dan validasi dari prediksi clinker

yang akan dilakukan. Untuk mengetahui berapa jumlah hidden

node yang akan menghasilkan nilai terbaik, dilakukan percobaan

dengan menggunakan hidden node dengan jumlah 1 hingga 10

dengan menggunakan algoritma jaringan syaraf tiruan.

Adapun grafik data dari input dan output yaitu berupa flow

dari kiln feed, kiln coal, sekam, kiln speed, FCaO dan C3S yang

akan digunakan dapat dilihat pada gambar berikut:

Y

X1

X2

: Regresi

: Korelasi

38

Gambar 4. 4 Grafik data kiln feed

Dari gambar 4.4 diatas menunjukkan flow rate kiln feed dalam ton

selama 744 jam atau 1 bulan

Gambar 4. 5 Grafik data kiln coal

Dari gambar 4.5 diatas menunjukkan flow rate kiln coal dalam ton

selama 744 jam atau 1 bulan

0,00

100,00

200,00

300,00

400,00

500,00

600,001

37

73

10

9

14

5

18

1

21

7

25

3

28

9

32

5

36

1

39

7

43

3

46

9

50

5

54

1

57

7

61

3

64

9

68

5

72

1

Jam

Kiln Feed

0,0

5,0

10,0

15,0

20,0

25,0

1

39

77

11

5

15

3

19

1

22

9

26

7

30

5

34

3

38

1

41

9

45

7

49

5

53

3

57

1

60

9

64

7

68

5

72

3

Ton

Jam

Kiln Coal

To

n

39

Gambar 4. 6 Grafik data kiln speed

Dari gambar 4.6 diatas menunjukkan kecepatan kiln speed dalam

rpm selama 744 jam atau 1 bulan

Gambar 4. 7 Grafik data sekam

Dari gambar 4.7 diatas menunjukkan flow rate sekam dalam ton

selama 744 jam atau 1 bulan

0,0

5,0

10,0

15,0

20,0

1

39

77

11

5

15

3

19

1

22

9

26

7

30

5

34

3

38

1

41

9

45

7

49

5

53

3

57

1

60

9

64

7

68

5

72

3

Ton

Jam

Sekam

0,0

200,0

400,0

600,0

800,0

1000,0

13

97

71

15

15

31

91

22

92

67

30

53

43

38

14

19

45

74

95

53

35

71

60

96

47

68

57

23

Rp

m

Jam

Kiln Speed

40

Gambar 4. 8 Grafik data FCaO

Dari gambar 4.8 diatas menunjukkan flow rate FCaO dalam ton

selama 744 jam atau 1 bulan

Gambar 4. 9 Grafik data C3S

Dari gambar 4.9 diatas menunjukkan flow rate C3S dalam ton

selama 744 jam atau 1 bulan

0,00

1,00

2,00

3,00

4,00

5,001

41

81

12

1

16

1

20

1

24

1

28

1

32

1

36

1

40

1

44

1

48

1

52

1

56

1

60

1

64

1

68

1

72

1

%

Jam

F.CaO

0,0

20,0

40,0

60,0

80,0

1

41

81

12

1

16

1

20

1

24

1

28

1

32

1

36

1

40

1

44

1

48

1

52

1

56

1

60

1

64

1

68

1

72

1

%

Jam

C3S

41

4.2.1 Jumlah Hidden Node untuk Memprediksi Persentase

FCaO

Dari hasil pengujian data, yang dapat digunakan sebagai

variabel masukan pada input layer untuk melakukan prediksi

persentase FCaO adalah kiln feed, kiln coal, kiln speed, sekam dan,

C3S. Hasil prediksi persentase FCaO menggunakan jaringan syaraf

tiruan dengan variasi jumlah hidden node dapat dilihat pada tabel

4.7.

Tabel 4. 7 Nilai RMSE prediksi persentase FCaO dengan

Mmenggunakan jaringan syaraf tiruan

Jumlah

Hidden

Node

Nilai RMSE

1 0,355727

2 0,312016

3 0,280895

4 0,272911

5 0,318696

6 0,269794

7 0,281506

8 0,319572

9 0,342689

10 0,356042

Dapat dilihat hasil prediksi berupa nilai RMSE, yang memiliki

nilai terendah sebesar 0,269794 dengan jumlah hidden node yang

digunakan sebanyak 6 node. Dari hasil prediksi tersebut kemudian

diperoleh grafik hasil pelatihan data dan validasi data untuk

prediksi jumlah clinker pada gambar 4.10 dan gambar 4.11.

42

Gambar 4. 10 Hasil pelatihan data persentase FCaO

Gambar 4. 11 Hasil validasi data persentase FCaO

43

Dari hasil pengujian data telah diperoleh variabel masukan

yang tepat untuk melakukan prediksi FCaO. Sehingga diperoleh

masukan jaringan syaraf tiruan untuk prediksi FCaO berjumlah 3

variabel yaitu Kiln Feed, Kiln Coal, dan Kiln Speed. Selain itu,

untuk jumlah variabel diambil dari hasil pengujian jumlah hidden

node yang memiliki nilai RMSE terkecil yaitu pada hidden node

yang berjumlah 6 node pada FCaO, Arsitektur yang dipilih adalah

jumlah hidden node yang menghasilkan nilai RMSE terendah.

seperti pada gambar 4.12

Gambar 4. 12 Arsitektur pada metode JST prediksi FCaO

4.2.2 Jumlah Hidden Node untuk Memprediksi Persentase C3S

Dari hasil pengujian data, yang dapat digunakan sebagai

variabel masukan pada input layer untuk melakukan prediksi

Kiln

Feed

Kiln

Coal FCaO

Kiln

speed

Sin1

Sin2

Sin3

Shn2

Shn3

Shn1

Sout1

Shn4

Shn5

Shn61

1

44

persentase C3S adalah kiln feed, kiln coal, sekam, dan FCaO. Hasil

prediksi persentase C3S menggunakan jaringan syaraf tiruan

dengan variasi jumlah hidden node dapat dilihat pada tabel 4.8.

Tabel 4.8 Nilai RMSE prediksi persentase C3S dengan

menggunakan jaringan syaraf tiruan

Jumlah

Hidden

Node

Nilai RMSE

1 1,778374

2 1,2073

3 1,176368

4 1,174429

5 1,224774

6 1,209307

7 1,19665

8 1,273225

9 1,312022

10 1,275266

Dapat dilihat hasil prediksi berupa nilai RMSE, yang memiliki

nilai terendah sebesar 1,174429 dengan jumlah hidden node yang

digunakan sebanyak 4 node. Dari hasil prediksi tersebut kemudian

diperoleh grafik hasil pelatihan data dan validasi data untuk

prediksi jumlah clinker pada gambar 4.13 dan gambar 4.14.

45

Gambar 4. 13 Hasil pelatihan data persentase C3S

Gambar 4. 14 Hasil validasi data persentase C3S

46

Dari hasil pengujian data telah diperoleh variabel masukan

yang tepat untuk melakukan prediksi C3S. Sehingga diperoleh

masukan jaringan syaraf tiruan untuk prediksi C3S berjumlah 2

variabel yaitu Kiln Feed dan Kiln Coal. Selain itu, untuk jumlah

variabel diambil dari hasil pengujian jumlah hidden node yang

memiliki nilai RMSE terkecil yaitu pada hidden node yang hidden

node 4 pada C3S, Arsitektur yang dipilih adalah jumlah hidden

node yang menghasilkan nilai RMSE terendah. seperti pada

gambar 4.15

Gambar 4. 15 Arsitektur pada metode JST prediksi C3S

6.3. Prediksi Hasil Pembakaran Rotary Kiln dengan

menggunakan Jaringan Syaraf Tiruan dan Optimisasi

Genetic Algorithm

Setelah melakukan prediksi hasil pembakaran rotary kiln

menggunakan metode jaringan syaraf tiruan dengan hasil yang

dapat dilihat pada sub bab sebelumnya, berikutnya dilakukan

percobaan prediksi cuaca dengan menggunakan metode gabungan

jaringan syaraf tiruan dan optimisasi genetic algorithm. Hal ini

Sin1

Sin2

Shn2

Shn3

Shn1

Sout1

Shn4

1 1

Kiln

Feed

Kiln

Coal

C3S

47

dilakukan untuk mengetahui apakah metode gabungan jaringan

syaraf tiruan dan optimisasi genetic algorithm dapat meningkatkan

akurasi dari prediksi hasil pembakaran rotary kiln dengan melihat

nilai RMSE yang dihasilkan. Percobaan dilakukan dengan

menggunakan variasi jumlah hidden node yang sama dengan

metode jaringan syaraf tiruan yaitu berjumlah 1 hingga 10 node.

4.3.1 Persentase FCaO

Variabel masukan yang digunakan pada percobaan ini tetap

menggunakan hasil dari pengujian data, yaitu menggunakan

variabel kiln feed, kiln coal, dan kiln speed, untuk melakukan

prediksi persentase FCaO. Hasil prediksi persentase FCaO dengan

menggunakan metode gabungan jaringan syaraf tiruan dan

optimisasi genetic algorithm dengan variasi jumlah hidden node

dapat dilihat pada tabel 4.9

Tabel 4.9 Nilai RMSE prediksi persentase FCaO dengan

menggunakan jaringan syaraf tiruan dan optimisasi

genetic algorithm

Jumlah

Hidden

Node

Nilai RMSE

1 0.0956

2 0.0948

3 0.0976

4 0.1019

5 0,0954

6 0,1020

7 0,0974

8 0,1061

9 0,1034

10 0,1071

48

Dapat dilihat pada tabel 4.9, hasil prediksi yang berupa nilai

RMSE. Nilai RMSE terendah yaitu sebesar 0.0948 terdapat pada

arsitektur jaringan syaraf tiruan dengan jumlah hidden node

sebanyak 2 node. Jika dibandingkan dengan metode tanpa

optimisasi, nilai RMSE yang dihasilkan oleh metode gabungan

jauh lebih kecil. Dari hal ini dapat disimpulkan bahwa metode

gabungan gabungan jaringan syaraf tiruan dan optimisasi genetic

algorithm dapat digunakan untuk melakukan prediksi hasil

pembakaran rotary kiln dengan hasil yang lebih akurat

dibandingkan dengan metode tanpa optimisasi.

Berikut ini adalah Arsitektur yang dipilih adalah jumlah

hidden node yang menghasilkan nilai RMSE terendah. seperti pada

gambar 4.16

Gambar 4. 16 Arsitektur pada metode JST-GA prediksi FCaO

Grafik hasil optimisasi menggunakan Optimisasi Genetic

Algorithm dapat dilihat pada gambar 4.17.

Kiln

Feed

Kiln

Coal

FCaO

Kiln

speed

Sin1

Sin2

Shn2

Shn1

Sout1

1

1

Sin3

49

Gambar 4. 17 Grafik optimisasi pada prediksi persentase FCaO

Grafik pada gambar 4.17 menunjukkan bahwa nilai bobot

yang terdapat pada jaringan syaraf tiruan dapat di perbaharui

menjadi lebih optimum dan akan menghasilkan nilai fungsi

obyektif yang semakin besar seiring dengan bertambahnya iterasi.

4.3.2 Persentase C3S

Variabel masukan yang digunakan pada percobaan ini tetap

menggunakan hasil dari pengujian data, yaitu menggunakan

variabel kiln feed dan kiln coal untuk melakukan prediksi

presentase C3S. Hasil prediksi persentase C3S dengan

menggunakan metode gabungan jaringan syaraf tiruan dan

optimisasi genetic algorithm dengan variasi jumlah hidden node

dapat dilihat pada tabel 4.10.

50

Tabel 4.10 Nilai RMSE prediksi persentase C3S dengan

menggunakan jaringan syaraf tiruan dan optimisasi

genetic algorithm

Jumlah

Hidden

Node

Nilai RMSE

1 0.0878

2 0,0887

3 0,0923

4 0,0935

5 0,0918

6 0.0879

7 0.0878

8 0.0916

9 0.0888

10 0.0887

Dapat dilihat pada tabel 4.10, hasil prediksi yang berupa nilai

RMSE. Nilai RMSE terendah yaitu sebesar 0.0878 terdapat pada

arsitektur jaringan syaraf tiruan dengan jumlah hidden node

sebanyak 1 node. Jika dibandingkan dengan metode tanpa

optimisasi, nilai RMSE yang dihasilkan oleh metode gabungan

jauh lebih kecil. Dari hal ini dapat disimpulkan bahwa metode

gabungan gabungan jaringan syaraf tiruan dan optimisasi genetic

algorithm dapat digunakan untuk melakukan prediksi hasil

pembakaran rotary kiln dengan hasil yang lebih akurat

dibandingkan dengan metode tanpa optimisasi.

Berikut ini adalah Arsitektur yang dipilih adalah jumlah

hidden node yang menghasilkan nilai RMSE terendah. seperti pada

gambar 4.18

51

Gambar 4. 18 Arsitektur pada metode JST-GA prediksi FCaO

Grafik hasil optimisasi menggunakan Optimisasi Genetic

Algorithm dapat dilihat pada gambar 4.19.

Gambar 4. 19 Grafik optimisasi pada prediksi persentase C3S

Kiln

Feed

Kiln

Coal

C3S

Sin1

Sin2

Shn1 Sout1

11

52

Grafik pada gambar 4.19 menunjukkan bahwa nilai bobot

yang terdapat pada jaringan syaraf tiruan dapat di perbaharui

menjadi lebih optimum dan akan menghasilkan nilai fungsi

obyektif yang semakin besar seiring dengan bertambahnya iterasi.

4.4 Parameter Arsitektur Jaringan Syaraf Tiruan dari Hasil

Perancangan

4.4.1 Fungsi Aktivasi

Fungsi aktivasi digunakan untuk menghasilkan nilai keluaran

dari setiap node yang dilewati. Terdapat beberapa jenis fungsi

aktivasi yang paling sering digunakan pada jaringan syaraf tiruan

yaitu sigmoid logaritmik (logsig), sigmoid tangen (tansig), dan

linear (purelin). Fungsi aktivasi sigmoid logaritmik dan sigmoid

tangen dapat meminimalisir kapasitas komputasi untuk pelatihan,

sedangkan fungsi aktivasi linear lebih banyak digunakan pada

output node (Montesdeoca-Contreras, Zambrano-Abad, Morales-

Garcia, & Ávila-Campoverde, 2014).

Pada penelitian ini, fungsi aktivasi diaplikasikan pada setiap

hidden node ouput node Fungsi aktivasi yang digunakan adalah

sigmoid tangen seperti pada gambar dibawah ini.

Gambar 4. 20.Fungsi aktivasi sigmoid tangen pada JST

Sigmoid tangen digunakan pada penelitian ini, karena pada

penelitian yang sudah ada telah dilakukan perbandingan antara

kombinasi fungsi aktivasi antara sigmoid logaritmik (logsig),

sigmoid tangen (tansig), dan linear (purelin) dengan hasil

kombinasi sigmoid tangen pada hidden node dan output node

memiliki hasil yang terbaik (Choudhary, Rishi, Ahlawat, & Dhaka,

53

2010). Hal tersebut juga telah dibuktikan dengan hasil pada

penelitian tugas akhir ini yang mana semua nilai RMSE yang

dihasilkan pada prediksi presentase FCaO dam C3S dengan dua

metode yang berbeda menghasilkan nilai yang mendekati nilai nol

yang menunjukkan akurasi yang baik.

4.4.2 Faktor Bobot Optimum

Algoritma pelatihan yang digunakan pada prediksi FCaO dan

C3S dengan metode jaringan syaraf tiruan adalah algoritma

Levenberg-Marquardt, sedangkan pada metode gabungan

menggunakan algoritma genetic algorithm .Algoritma pelatihan

yang digunakan pada metode gabungan dapat menghasilkan bobot

yang optimum dengan nilai RMSE yang tidak jauh berbeda dengan

metode jaringan syaraf tiruan.

Faktor bobot dapat disimbolkan dengan huruf vij untuk faktor

bobot yang masuk ke hidden node dan wj untuk faktor bobot yang

masuk ke output node. Huruf i dan j secara berurutan menunjukkan

penamaan untuk input node dan hidden node. Sehingga, vij

menunjukkan faktor bobot yang berasal dari input node ke-i

menuju hidden node ke-j, sedangkan wj menunjukkan faktor bobot

yang berasal dari hidden node ke-j.

Nilai faktor bobot yang dihasilkan dari prediksi Persentase

FCaO dengan metode jaringan syaraf tiruan dengan algoritma

pelatihan Levenberg-Marquardt dapat dilihat pada tabel 4.11.

Tabel 4. 11 Faktor bobot optimum dari metode JST untuk prediksi

persentase FCaO

Posisi Bobot Nilai Bobot Posisi Bobot Nilai Bobot

v11 4,72885 v15 0,66294

v21 0,39452 v25 -1,95589

v31 -6,14056 v35 -3,57784

v 01 1,91023 v 05 3,68827

v 12 8,85622 v16 37,8145

v 22 14,4866 v26 -15,9876

v 32 6,99378 v36 -15,0437

54

Bobot yang dihasilkan pada prediksi persentase FCaO

menggunakan metode jaringan syaraf tiruan berjumlah 31

disesuaikan dengan banyaknya hidden node yang digunakan yaitu

6 node.

Nilai faktor bobot yang dihasilkan dari prediksi persentase

C3S dengan metode jaringan syaraf tiruan dengan algoritma

pelatihan Levenberg-Marquardt dapat dilihat pada tabel 4.12.

Tabel 4.12. Faktor bobot optimum dari metode JST untuk prediksi

persentase C3S

Posisi Bobot Nilai Bobot Posisi Bobot Nilai Bobot

v11 -10,6654 v14 -0,11272

v21 8,78422 v24 2,06323

v 01 4,67777 v 04 0,57525

v12 3,66595 w 1 0,09926

v22 -2,84903 w 2 0,05202

v 02 -3,68084 w 3 -1,19538

v13 -0,86864 w 4 -174,869

v23 0,01254 w 0 14,7536

v 03 1,98832

Bobot yang dihasilkan pada prediksi persentase C3S

menggunakan metode jaringan syaraf tiruan berjumlah 17

Posisi Bobot Nilai Bobot Posisi Bobot Nilai Bobot

v 02 -6,95350 v 06 -8,14959

v13 -0,19269 w 1 0,37144

v23 -0,26321 w 2 -0,35862

v33 26,1641 w 3 -24,3762

v 03 -24,9631 w 4 -0,49506

v14 -1,55647 w 5 0,46484

v24 0,94851 w 6 -1,32855

v34 -4,85233 w 0 -1,28209

v 04 5,47465

55

disesuaikan dengan banyaknya hidden node yang digunakan yaitu

4 node.

Nilai faktor bobot yang dihasilkan dari prediksi persentase

FCaO angin dengan metode gabungan JST-GA dengan algoritma

pelatihan yang digunakan adalah genetic algorithm dapat dilihat

pada tabel 4.13.

Tabel 4.13 Faktor bobot optimum dari metode JST-GA untuk

prediksi persentase FCaO

Posisi Bobot Nilai Bobot Posisi Bobot Nilai Bobot

v11 0,686788 v32 0,067318

v21 0,533320 v 02 -0,176642

v31 -0,74024 w1 0,336598

v 01 -0,046374 w 2 0,0440245

v12 0,3512395 w 0 0,1788150

v22 0,7550065

Bobot yang dihasilkan pada prediksi persentase FCaO

menggunakan metode jaringan syaraf tiruan berjumlah 11

disesuaikan dengan banyaknya hidden node yang digunakan yaitu

2 node.

Nilai faktor bobot yang dihasilkan dari prediksi persentase

C3S dengan metode gabungan JST-GA dengan algoritma pelatihan

yang digunakan adalah genetic algorithm dapat dilihat pada tabel

4.14.

Tabel 4.14 Faktor bobot optimum dari metode JST-GA untuk

prediksi persentase C3S

Posisi Bobot Nilai Bobot Posisi Bobot Nilai Bobot

v11 -0,93292 w1 0,126336

v21 -0,317351 w0 0,737819

v01 0,525214

56

Bobot yang dihasilkan pada prediksi persentase C3S

menggunakan metode jaringan syaraf tiruan berjumlah 5

disesuaikan dengan banyaknya hidden node yang digunakan yaitu

1 node.

4.5 Perbandingan Hasil Antara Kedua Metode

Dari percobaan yang telah dilakukan dengan menggunakan

metode jaringan syaraf tiruan dan metode gabungan jaringan syaraf

tiruan dan genetic algorithm dengan menggunakan variasi hidden

node, diperoleh hasil terbaik yang dapat dibandingkan yaitu nilai

RMSE prediksi terkecil, jumlah hidden node terbaik, dan iterasi

pada saat diperolehnya nilai RMSE tersebut.

Tabel 4.15 Perbandingan hasil terbaik antara metode JST dan

metode gabungan JST-GA

Variabel JST JST-GA

FCaO

Nilai RMSE 0,269794 0.0948

Jumlah Hidden

Node 6 2

Epoch 97 6

C3S

Nilai RMSE 1,174429 0.0878

Jumlah Hidden

Node 4 1

Epoch 142 10

Dari tabel 4.5. dapat dilihat perbandingan performa antara

kedua metode tersebut yang dibagi menjadi dua prediksi yaitu

prediksi persentase FCaO dan C3S, dan terdapat dua metode yaitu

metode jaringan syaraf tiruan (JST) dan metode gabungan jaringan

syaraf tiruan dan genetic algorithm (JST-GA). Parameter yang

dapat dibandingkan antara kedua metode prediksi tersebut yaitu

jumlah iterasi untuk memperoleh nilai RMSE yang sama dengan

menggunakan jumlah hidden node yang sama.

Pada prediksi FCaO, Metode JST yang digunakan untuk

melakukan prediksi FCaO dapat menghasilkan nilai RMSE

57

0,269794 pada epoch ke -97 dan hidden node 6, sedangkan metode

JST-GA menghasilkan 0.0948 pada epoch ke-6 dan hidden node 2.

Dari hal ini dapat disimpulkan bahwa metode JST-GA memiliki

performa yang baik dalam melakukan prediksi FCaO, dan dapat

menghasilkan bobot yang optimum karena nilai RMSE yang

dihasilkan mendekati nol.

Pada prediksi C3S, metode JST dapat menghasilkan nilai

RMSE sebesar 1,174429 pada epoch ke-142 dan hidden node 4,

sedangkan metode JST-GA menghasilkan nilai RMSE sebesar

0.0878 pada epoch ke-10 dan hidden node 1. Dari hal ini dapat

disimpulkan bahwa metode JST-GA memiliki performa yang baik

dalam melakukan prediksi FCaO, dan dapat menghasilkan bobot

yang optimum karena nilai RMSE yang dihasilkan mendekati nol.

58

“Halaman ini sengaja dikosongkan”

59

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Terdapat beberapa kesimpulan yang diperoleh dari penelitian

tugas akhir ini, yaitu sebagai berikut:

Pada model prediktor dengan menggunakan jarigan syaraf

tiruan berhasil mendapatkan Nilai RMSE terbaik yaitu

terdapat pada hidden node berjumlah 6 node pada prediksi

persentase FCaO yaitu sebesar 0,269794 dan pada epoch ke-

97, dan 4 node pada prediksi persentase C3S yaitu sebesar

1,174429 pada epoch ke-142.

Pada model prediktor dengan menggunakan jarigan syaraf

tiruan dan optimisasi genetic algorithm berhasil mendapatkan

nilai RMSE terbaik yaitu terdapat pada hidden node berjumlah

2 node pada prediksi persentase FCaO yaitu sebesar 0.0948 pada epoch ke-6, dan 1 node pada prediksi Persentase C3S

yaitu sebesar 0.0878 pada epoch ke-10.

5.2. Saran

Saran yang dapat diajukan terkait dengan penelitian tugas

akhir ini, antara lain:

a. Pada penelitian selanjutnya dapat dilakukan percobaan

dengan menggunakan metode optimisasi selain Optimisasi

Genetic Algorithm.untuk melihat apakah semua metode

optimisasi dapat memberikan hasil yang lebih baik

dibandingkan tanpa menggunakan metode optimisasi.

b. Sebaiknya dilakukan juga penelitian dengan

memperhatikan parameter lain yang berpengaruh terhadap

hasil pembakaran di rotary kiln sehingga didapatkan hasil

prediksi yang lebih akurat

60

“Halaman ini sengaja dikosongkan”

DAFTAR PUSTAKA Athul, M., & S, A. (2016). Artificial Neural Network Model For

Heat Transfer Process In a Cement Kiln . TJPRC:

International Journal of Power Systems &

Microelectronics (TJPRC:IJPSM), II(2), 1-10. Atiliani, A. (2013). Pelatihan Jaringan Syaraf Tiruan Multilayer

Perceptron Menggunakan Genetic Algorithm Levenberg

Marquardt. Surakarta: Perpustakaan Universitas Sebelas

Maret.

Ayu, R., Hadi, H., & Sarwono. (2016). Audit Energi Pada Sistem

Rotary Kiln System di Pabrik Semen.

Boateng, A. (2008). Rotary Kilns Transport Phenomena and

Transport Processes. Oxford: Elsevier Inc.

BPPT. (2013). Pengembangan Energi dalam Mendukung Sektor

Transportasi dan Industri Pengolahan Mineral. In Outlook

Energi Indonesia 2013 (pp. 1-116). Jakarta: Pusat

Teknologi Pengembangan Sumberdaya Energi (PTPSE).

Choudhary, A., Rishi, R., Ahlawat, S., & Dhaka, V. S. (2010).

Performance Analysis of Feed Forward MLP with various

Activation Functions for Handwritten Numerals

Recognition. The 2nd International Conference on

Computer and Automation Engineering (ICCAE). 5, pp.

852-856. Singapore: IEEE.

Demuth, H., Beale, M., & Hagan, M. (2004). Neural Network

Toolbox™ 6 User’s Guide. Nathick, Massachusetts: The

MathWorks, Inc.

ESDM. (n.d.). Energi Baru Terbarukan. Retrieved Maret 28, 2016,

from www.esdm.go.id

Fausett, L. (n.d.). Fundamentals Of Neural Network

"Architectures, Algorithms and Applications".

Gill, E. J., Singh, E. B., & Singh, E. S. (2010). Training Back

Propagation Neural Networks with Genetic Algorithm for

Weather Forecasting. IEEE 8th International Symposium

on Intelligent Systems and Informatics, (pp. 465-469).

Serbia.

Institut Teknologi Sepuluh Nopember (ITS). (n.d.). Jaringan

Syaraf Tiruan. Retrieved January 31, 2017, from

http://share.its.ac.id

Kementerian Energi dan Sumber Daya Mineral. (n.d.). Retrieved

January 15, 2017, from http://www.esdm.go.id/

Litta A. J, S. M. (2012). Artificil Neural Network Model for the

Prediction of Thunderstorms over Kolkata. International

Journal of Computer Applications, 50, 50-55.

Madlool, N., & al, e. (2011). A Critical Review on Energy Use and

Savings in the Cements Industries.

Mokosuli, L., Weku, W., & Latumakulita, L. (n.d.). Prediksi

Tingkat Kriminalitas Menggunakan Jaringan Syaraf

Tiruan Backpropagation : Algoritma Lavenberg

Marquardt di Kota Manado Berbasis Sistem Informasi

Geografi.

Montesdeoca-Contreras, J. C., Zambrano-Abad, J. C., Morales-

Garcia, J. A., & Ávila-Campoverde, R. S. (2014). Virtual

Speed Sensor for DC Motor using Back-Propagation

Artificial Neural Networks. IEEE International Autumn

Meeting on Power, Electronics and Computing (ROPEC).

Ixtapa, Mexico: IEEE.

Nørskov, L. K., Dam-Johansen, K., Glarborg, P., Jensen, P. A., &

Larsen, M. B. (2012). Combustion of Solid Alternative

Fuels in The Cement Kiln Burner.

Pazand, K., Panahi, M. S., & Pourabdoli, M. (2009). Simulating

the Mechanical of a Rotary Cement Kiln Using Artificial

Neural Network. Material and Design (30), 3468-3473.

Peray, K. (1979). Cement Manufacturer's Handbook. New York,

NY: Chemical Publishing Co.Inc.

Politeknik Elektronika Negeri Surabaya (PENS). (n.d.). Ulasan

Algoritma Genetika . Retrieved December 22, 2016, from

http://entin.lecturer.pens.ac.id

Priyatno, D. (2009). 5 Jam Belajar Olah Data dengan SPSS 17. (J.

Widiyatmoko, Ed.) Yogyakarta, Indonesia: C.V ANDI

OFFSET.

Puslitbang Teknologi Mineral dan Batubara. (2011). Jakarta,

Indonesia.

Puspitorini, R. W., Damayanti, I. S., Nurtono, T., & Winardi, S.

(2013). Studi Pemanfaatan Batubara Kualitas Rendah

Sebagai Bahan Bakar Rotary Cement Kiln Berbasis CFD.

Jurnal Teknik POMITS, II.

Rao, S. S. (2009). Engineering Optimization: Theory and Practice

. John Wiley & Sons.

Santoso, S. (2010). Statistik Multivariat Konsep dan Aplikasi

dengan SPSS. Kompas Gramedia.

Sugiyono. (2017). Statistika Untuk Penelitian. Bandung, Jawa

Barat, Indonesia: Alfabeta.

Teja, R., P, S., & M, a. G. (2016). Control and Optimization of a

Triple String Rotary Cement Kiln using Model Predictive

Control. IFAC-PaperOnLine 49-1, 748-753.

Wahyu, D., & Sumiati, R. (n.d.). Analisis Energi pada Sistem

Rotary Kiln Unit Indarung IV, PT. Semen Padang.

Walter, H. D. (1985). Cement Data Book. London: Macdonald &

Even.

Widhiyasa, A. (n.d.). Kajian Genetic Alghorithm Dalam

Penyelesaian TSP.

Yin, Q., Du, W.-J., Ji, X.-L., & Cheng, a. L. (2016). Design

Requirements and Performance Optimization of Waste

Heat Recovery Systems for Rotary Kiln. International

Journal of Heat and Mass Transfer 94(93), 1-8.

Yin, Q., Du, W.-J., Ji, X.-L., & Cheng, a. L. (2016). Optimization

Design and Economic Analyses of Heat Recovery

Exchangers on Rotary Kiln. Applied Energy(180), 743-

756.

“Halaman ini sengaja dikosongkan”

LAMPIRAN

Lampiran 1. Koding Jaringan Syaraf Tiruan

clc close all; clear all; clc disp('------------------------') disp(' TRAINING IN PROGRESS ') disp('------------------------') A = xlsread('E:\Kuliah\Road to S.T\Semester

8\TA\JST\JSTdanGA.xlsx','Kiln3'); %panggil data %[rowTr,colTr] = size(A);

ut = A(1:744,1:4)'; %input di transpose yt = A(1:744,6)'; % output di transpose

uv = A(745:893,1:4)'; %input di transpose yv = A(745:893,6)'; %output di transpose

us = A(1:893,1:4)'; %input di transpose ys = A(1:893,6)'; %output ditranspose

[rowv,colv] = size(uv); [rowu,colu] = size(ut); [rowy,coly] = size(yt); Min = -ones(rowu,1); Max = ones(rowu,1); MM = [Min Max];

for i=1:rowu maxusa(i)=max(us(i,:)); %change the range minusa(i)=min(us(i,:)); end

for i = 1:rowy maxys(i)=max(ys(i,:)); minys(i)=min(ys(i,:)); end

minmaxus = [maxusa;minusa]; minmaxys = [maxys;minys];

for i = 1:rowy yt(i,:)=((2/(max(ys(i,:))-

min(ys(i,:))))*(yt(i,:)-min(ys(i,:))))-1; yv(i,:)=((2/(max(ys(i,:))-

min(ys(i,:))))*(yv(i,:)-min(ys(i,:))))-1; end

for j = 1:colu for i=1:rowu ut(i,j)=((2/(maxusa(i)-

minusa(i)))*(ut(i,j)-minusa(i)))-1; end end

for j = 1:colv for i=1:rowv uv(i,j)=((2/(maxusa(i)-

minusa(i)))*(uv(i,j)-minusa(i)))-1; end end

ut1=ut(1,:)'; ut2=ut(2,:)'; ut3=ut(3,:)'; ut4=ut(4,:)';

yt1 = yt(1,:)';

uv1=uv(1,:)'; uv2=uv(2,:)';

uv3=uv(3,:)'; uv4=uv(4,:)';

yv1 = yv(1,:)';

% history length for MIMO identification hist = ones(1,4);

%hist = [1 1 1 1 2 2 2 2 3 3 3 3 1 1];

[n_rows,n_col] = size(ut1);

% setting training data matrix data_latih = zeros(n_rows-1,sum(hist));

for i = 1:hist(1), data_latih(:,i) = [zeros(hist(1)-

i,1);ut1(2:n_rows-hist(1)+i)]; end

for j = 1:hist(2), data_latih(:,sum(hist(1))+j) =

[zeros(hist(2)-j,1);ut2(2:n_rows-hist(2)+j)]; end

for k = 1:hist(3), data_latih(:,sum(hist(1:2))+k) =

[zeros(hist(3)-k,1);ut3(2:n_rows-hist(3)+k)]; end

for l = 1:hist(4), data_latih(:,sum(hist(1:3))+l) =

[zeros(hist(4)-l,1);ut4(2:n_rows-hist(4)+l)]; end

PHI = data_latih';

% Construction of output matrix Y = zeros(n_rows-1,1); Y(:,1) = yt1(2:end);

Ys = Y';

%coba % Construction of networks structure NetDef = []; netdef1 = 'H'; netdef2 = 'L'; L = [netdef1;netdef2]; Data_RMSE =[]; trparms = settrain;

for x=1:10; hn = x; close all; Ys = Y'; NetDef = [NetDef L]; netdef1 = 'H'; netdef2 = '-'; L = [netdef1;netdef2];

% Construction of networks structure

trparms = settrain;

[W1,W2,PI_vec,yhat] =

marq_rev(NetDef,[],[],PHI,Ys,trparms);

% RMSE calculation

for i = 1:1

RMSE_train(i)=r_m_s_e(yhat(i,:),Ys(i,:));

end

for i = 1:1 Ys(i,:)=(((max(ys(i,:))-

min(ys(i,:))))*(Ys(i,:)+1)/2)+min(ys(i,:));

%Descaling Yhat(i,:)=(((max(ys(i,:))-

min(ys(i,:))))*(yhat(i,:)+1)/2)+min(ys(i,:));

%Descaling RMSE_train_f(i) =

r_m_s_e(Ys(i,:),Yhat(i,:));

end

%Drawing for i = 1 figure(i) plot(Ys(i,:),'b','LineWidth',2); hold on plot(Yhat(i,:),'r.','LineWidth',1); grid title('Network Training Pembulatan'); legend('Solid : Actual','Dot : Predicted

', 'Location','Best'); ylabel('Prediksi Clinker'); xlabel('Trained'); end

save WT_Cat NetDef W1 W2 maxys minys maxusa

minusa xlswrite('E:\Kuliah\Road to S.T\Semester

8\TA\JST\TAdicky.xlsx', W1, 'W1') xlswrite('E:\Kuliah\Road to S.T\Semester

8\TA\JST\TAdicky.xlsx', W2, 'W2')

% Tahap Validasi disp('------------------------') disp(' VALIDATION IN PROGRESS ') disp('------------------------')

[n_rows,n_col] = size(uv1); data_uji = zeros(n_rows-1,sum(hist));

for i = 1:hist(1), data_uji(:,i) = [zeros(hist(1)-

i,1);uv1(2:n_rows-hist(1)+i)]; end

for j = 1:hist(2), data_uji(:,sum(hist(1))+j) =

[zeros(hist(2)-j,1);uv2(2:n_rows-hist(2)+j)]; end

for k = 1:hist(3), data_uji(:,sum(hist(1:2))+k) =

[zeros(hist(3)-k,1);uv3(2:n_rows-hist(3)+k)]; end for l = 1:hist(4), data_uji(:,sum(hist(1:3))+l) =

[zeros(hist(4)-l,1);uv4(2:n_rows-hist(4)+l)]; end

PHI_uji = data_uji';

Y_uji = zeros(n_rows-1,1); Y_uji(:,1) = yv1(2:end);

Ys_uji = Y_uji';

[y2_uji]=marq_rev_uji(NetDef,W1,W2,PHI_uji,Ys_uj

i);

% RMSE calculation for i = 1:1 RMSE_test(i)=

r_m_s_e(Ys_uji(i,:),y2_uji(i,:));

end

for i = 1:1 Ys_test(i,:)=(((max(ys(i,:))-

min(ys(i,:))))*(Ys_uji(i,:)+1)/2)+min(ys(i,:));

%Descaling Yhat_test(i,:)=(((max(ys(i,:))-

min(ys(i,:))))*(y2_uji(i,:)+1)/2)+min(ys(i,:));

%Descaling %m = Yhat_test(i,:)'; RMSE_test_f(i)=

r_m_s_e(Ys_test(i,:),Yhat_test(i,:));

%save Yhat_test(i,:) end

%xlswrite('D:\DOKUMENKU\ITS\TAHUN KE-4\TA

DAPAT A\PROGRESS\TAku.xls', Yhat_test(i,:)',

'Yhat_test_transpose')

%xlswrite('D:\DOKUMENKU\ITS\TAHUN KE-4\TA DAPAT

A\PROGRESS\TAku.xls', Yhat_test', 'Yhat_test') %xlswrite('D:\DOKUMENKU\ITS\TAHUN KE-4\TA DAPAT

A\PROGRESS\TAku.xls', totalerror(i,:),

'totalerror') %xlswrite('D:\DOKUMENKU\ITS\TAHUN KE-4\TA DAPAT

A\PROGRESS\TAku.xls', RMSE_test_f ,

'RMSE_test_f')

%Drawing for i = 1 figure(i+3) plot(Ys_test(i,:),'k','LineWidth',2); hold on plot(Yhat_test(i,:),'r.','LineWidth',1); grid title('Network Validation '); legend('Solid : Actual','Dot : Predicted

', 'Location','Best');

ylabel('Validasi Clinker'); xlabel('Validation');

%===============================================

=============== RMSE_iterasi (i,:)= [RMSE_train RMSE_test

RMSE_train_f RMSE_test_f ]; Data_RMSE = [Data_RMSE; RMSE_iterasi];

end;

xlswrite('E:\Kuliah\Road to S.T\Semester

8\TA\JST\TAdicky.xlsx' , RMSE_iterasi, 'RMSE

iterasi 2') xlswrite('E:\Kuliah\Road to S.T\Semester

8\TA\JST\TAdicky.xlsx' , Data_RMSE, 'Data RMSE') xlswrite('E:\Kuliah\Road to S.T\Semester

8\TA\JST\TAdicky.xlsx' , Yhat_test',

'Yhat_test_transpose')

end; % save E1101_RMSEfind RMSE_train RMSE_test

RMSE_train_f RMSE_test_f

Lampiran 2. Grafik Pelatihan dan Validasi Data Prediksi

Persentase FCaO dengan Metode JST

- 1 Hidden Node

- 2 Hidden Node

- 3 Hidden Node

- 4 Hidden Node

- 5 Hidden Node

- 7 Hidden Node

- 8 Hidden Node

- 9 Hidden Node

- 10 Hidden Node

“Halaman ini sengaja dikosongkan”

Lampiran 4. Grafik Pelatihan dan Validasi Data Prediksi

Persentase C3S dengan Metode JST

- 1 Hidden Node

- 2 Hidden Node

- 3 Hidden Node

- 5 Hidden Node

- 6 Hidden Node

- 7 Hidden Node

- 8 Hidden Node

- 9 Hidden Node

- 10 Hidden Node

“Halaman ini sengaja dikosongkan”

Lampiran 4. Koding Optimisasi Jaringan Syaraf Tiruan dan

Genetic Algorithm

clear all close all clc %GENETIC ALGORITHM% %Pembangkitan Populasi dan Parameter % load ('prop.mat')

Dimension=7; UB = [ 0.8 0.7 -0.2 0.2 1.4 ... -47 25]; % Upper Bounds LB = [ 0.6 0.5 -0.4 0.09 1.2 ... -48 24 ]; % Lower Bounds % 0,736196159 0,681574652 -0,293820037

0,113468074 1,377133024

%-47,66845062 25,58924259

Npop = 20; %populasi Maxit = 10; %iterasi el = 0.95; %elatism Pc = 0.8;

%probabilitas crossover Pm = 0.001;

%probabilitas mutasi Nbit = 20; %jumlah bit %Constrain

eBangkit = []; Individu = []; eIndividu = []; david = []; Dadatfit = []; Datfit = []; summary = [];

eDadatfit = []; efitnessmax = []; eIndividuMax = [];

Bangkit = round(rand(Npop,Nbit*Dimension)); popsize = size(Bangkit,1);

for k = 1:Dimension batas(k) = UB(k)-LB(k); end

for i =1:Npop for j = 1:Dimension Desimal(i,j) =

bi2de(Bangkit(i,((j*Nbit)-(Nbit-

1)):(j*Nbit)),'left-msb'); Individu(i,j) =

(Desimal(i,j)*batas(:,j)-

batas(:,j)+LB(:,j)*(2^Nbit-1))/(2^Nbit-1); end end

Datfit = []; variabel = [];

for i = 1:size(Individu,1) fitness = Clinker(Individu(i,:)); Datfit = [Datfit;fitness]; [fitemax,nmax]=max(Datfit); end

Dadatfit = []; for generasi=1:Maxit disp('GA processing') clear command windows clear command history clear memory

if generasi > 1

sort_fit =

sortrows(sort,Nbit*Dimension+1); Individu1 = sort_fit(round((1-

el)*Npop+1):Npop,:); remain =

sort_fit(round(el*Npop)+1:Npop,:);

X = Individu1; M = size(X,1);

sumfitness = sum(Datfit); for i=1:M Prob(i) = Datfit(i)/sumfitness; end for i=2:M Prob(i) = Prob(i)+Prob(i-1); end for i=1:M n=rand; k=1; for j=1:M-1 if (n>Prob(j)) k=j+1; end end Xparents(i,:) = X(k,:); end

%Crossover [M,d] = size(Xparents); Xcrossed = Xparents; for i=1:2:M-1 c=rand; if (c<=Pc) p=ceil((d-1)*rand); Xcrossed(i,:) = [Xparents(i,1:p)

Xparents(i+1,p+1:d)]; Xcrossed(i+1,:) =

[Xparents(i+1,1:p) Xparents(i,p+1:d)]; end

end if (M/2~=floor(M/2)) c=rand; if (c<=Pc) p=ceil((d-1)*rand); str=ceil((M-1)*rand); Xcrossed(M,:) = [Xparents(M,1:p)

Xparents(str,p+1:d)]; %the first child is chosen end end

%Mutasi [M,d] = size(Xcrossed); Xnew=Xcrossed; for i=1:M for j=1:d p=rand; if (p<=Pm) Xnew(i,j)=1-Xcrossed(i,j); end end end

disp('New fitness calculation');

Bangkit =

[Xnew(:,1:Nbit*Dimension);remain(:,1:Nbit*Dimens

ion)]; end eBangkit = [eBangkit; Bangkit];

for i =1:Npop for j = 1:Dimension; Desimal(i,j) =

bi2de(Bangkit(i,((j*Nbit)-(Nbit-

1)):(j*Nbit)),'left-msb'); Individu(i,j) =

(Desimal(i,j)*batas(:,j)-

batas(:,j)+LB(:,j)*(2^Nbit-1))/(2^Nbit-1); end

end

Datfit = []; for i = 1:Npop fitness = Clinker(Individu(i,:)); Datfit = [Datfit;fitness]; [fitemax,nmax] = max(Datfit); end

Dadatfit = Datfit; eDadatfit = [eDadatfit;Dadatfit]; eIndividu = [eIndividu;Individu]; [fitnessmax,nmax] = max(eDadatfit); efitnessmax = [efitnessmax;fitnessmax]; BangkitMax = eBangkit(nmax,:); IndividuMax = eIndividu(nmax,:); eIndividuMax = [eIndividuMax;IndividuMax]; BangkitMaxlast = BangkitMax; schedmax = BangkitMax; sort = [Bangkit Dadatfit]; summary = [summary; sort]; david = [david; Dadatfit]; clc max_variable_design=IndividuMax(1,:) max_objective_function=fitness(1,:) figure(gcf) title('Grafik Nilai Maksimum GA','color','b') xlabel('Jumlah Iterasi') ylabel('Nilai Fungsi Obyektif') hold on plot(efitnessmax, 'DisplayName', 'efitnessmax',

'YDataSource', 'efitnessmax'); hold on

end save ('GA.mat')

“Halaman ini sengaja dikosongkan”

Lampiran 5. Koding fungsi objektif untuk optimisasi dengan

menggunakan 10 Hidden Node

function NilaiRMSE=Clinker(x) validasi = xlsread('E:\Kuliah\Road to

S.T\Semester

8\TA\JST\JSTdanGA.xlsx','KilnNorm','E1:E893');

%panggil data variabelinput = xlsread('E:\Kuliah\Road to

S.T\Semester

8\TA\JST\JSTdanGA.xlsx','KilnNorm','A1:G893');

%TERMASUK BIAS PADA HIDDEN LAYER

%Fungsi Obyektif t1=x(1); t2=x(2); t3=x(3); t4=x(4); t5=x(5);

t6=x(6); t7=x(7); t8=x(8); t9=x(9); t10=x(10);

t11=x(11); t12=x(12); t13=x(13); t14=x(14); t15=x(15);

t16=x(16); t17=x(17); t18=x(18); t19=x(19); t20=x(20);

t21=x(21); t22=x(22);

t23=x(23); t24=x(24); t25=x(25);

t26=x(26); t27=x(27); t28=x(28); t29=x(29); t30=x(30);

t31=x(31); t32=x(32); t33=x(33); t34=x(34); t35=x(35);

t36=x(36); t37=x(37); t38=x(38); t39=x(39); t40=x(40);

t41=x(41); t42=x(42); t43=x(43); t44=x(44); t45=x(45);

t46=x(46); t47=x(47); t48=x(48); t49=x(49); t50=x(50);

t51=x(51); t52=x(52); t53=x(53); t54=x(54); t55=x(55); t56=x(56);

t57=x(57); t58=x(58); t59=x(59); t60=x(60); t61=x(61);

a = variabelinput(1:893,1)*t1; b = variabelinput(1:893,2)*t2; c = variabelinput(1:893,3)*t3; d = variabelinput(1:893,4)*t4; e = ones(893,1)*t5;

hn1 = [a b c d e];

a2 = variabelinput(1:893,1)*t6; b2 = variabelinput(1:893,2)*t7; c2 = variabelinput(1:893,3)*t8; d2 = variabelinput(1:893,4)*t9; e2 = ones(893,1)*t10;

hn2 = [a2 b2 c2 d2 e2];

a3 = variabelinput(1:893,1)*t11; b3 = variabelinput(1:893,2)*t12; c3 = variabelinput(1:893,3)*t13; d3 = variabelinput(1:893,4)*t14; e3 = ones(893,1)*t15;

hn3 = [a3 b3 c3 d3 e3];

a4 = variabelinput(1:893,1)*t16; b4 = variabelinput(1:893,2)*t17; c4 = variabelinput(1:893,3)*t18; d4 = variabelinput(1:893,4)*t19; e4 = ones(893,1)*t20;

hn4 = [a4 b4 c4 d4 e4];

a5 = variabelinput(1:893,1)*t21;

b5 = variabelinput(1:893,2)*t22; c5 = variabelinput(1:893,3)*t23; d5 = variabelinput(1:893,4)*t24; e5 = ones(893,1)*t25;

hn5 = [a5 b5 c5 d5 e5];

a6 = variabelinput(1:893,1)*t26; b6 = variabelinput(1:893,2)*t27; c6 = variabelinput(1:893,3)*t28; d6 = variabelinput(1:893,4)*t29; e6 = ones(893,1)*t30;

hn6 = [a6 b6 c6 d6 e6];

a7 = variabelinput(1:893,1)*t31; b7 = variabelinput(1:893,2)*t32; c7 = variabelinput(1:893,3)*t33; d7 = variabelinput(1:893,4)*t34; e7 = ones(893,1)*t35;

hn7 = [a7 b7 c7 d7 e7];

a8 = variabelinput(1:893,1)*t36; b8 = variabelinput(1:893,2)*t37; c8 = variabelinput(1:893,3)*t38; d8 = variabelinput(1:893,4)*t39; e8 = ones(893,1)*t40;

hn8 = [a8 b8 c8 d8 e8];

a9 = variabelinput(1:893,1)*t41; b9 = variabelinput(1:893,2)*t42; c9 = variabelinput(1:893,3)*t43; d9 = variabelinput(1:893,4)*t44; e9 = ones(893,1)*t45;

hn9 = [a9 b9 c9 d9 e9];

a10 = variabelinput(1:893,1)*t46; b10 = variabelinput(1:893,2)*t47; c10 = variabelinput(1:893,3)*t48; d10 = variabelinput(1:893,4)*t49; e10 = ones(893,1)*t50;

hn10 = [a10 b10 c10 d10 e10];

for i = 1:893; nilaihn1(i,1) = sum(hn1(i,1:5)); end;

for i = 1:893; nilaihn2(i,1) = sum(hn2(i,1:5)); end;

for i = 1:893; nilaihn3(i,1) = sum(hn3(i,1:5)); end;

for i = 1:893; nilaihn4(i,1) = sum(hn4(i,1:5)); end;

for i = 1:893; nilaihn5(i,1) = sum(hn5(i,1:5)); end;

for i = 1:893; nilaihn6(i,1) = sum(hn6(i,1:5)); end;

for i = 1:893; nilaihn7(i,1) = sum(hn7(i,1:5)); end;

for i = 1:893; nilaihn8(i,1) = sum(hn8(i,1:5)); end;

for i = 1:893; nilaihn9(i,1) = sum(hn9(i,1:5)); end;

for i = 1:893; nilaihn10(i,1) = sum(hn10(i,1:5)); end;

%FUNGSI AKTIVASI HN

fhn1 = tanh(nilaihn1)*t51; fhn2 = tanh(nilaihn2)*t52; fhn3 = tanh(nilaihn3)*t53; fhn4 = tanh(nilaihn4)*t54; fhn5 = tanh(nilaihn5)*t55; fhn6 = tanh(nilaihn6)*t56; fhn7 = tanh(nilaihn7)*t57; fhn8 = tanh(nilaihn8)*t58; fhn9 = tanh(nilaihn9)*t59; fhn10 = tanh(nilaihn9)*t60; fhn11 = ones(893,1)*t61; matrix=[fhn1,fhn2,fhn3,fhn4,fhn5,fhn6,fhn7,fhn8,

fhn9,fhn10,fhn11];

for i = 1:893; nilaion(i,1)= sum(matrix(i,1:11));

end;

%LAYER OUTPUT FUNGSI AKTIVASI yprediksi = tanh(nilaion);

%objective function pengurangan = yprediksi - validasi; pengurangankuadrat = pengurangan.^2;

%Sehingga NilaiRMSE = sqrt(sum(pengurangankuadrat))/893;

Lampiran 6. Grafik Performansi JST-GA pada Prediksi

Presentase FCaO

- 1 Hidden Node

- 3 Hidden Node

- 4 Hidden Node

- 5 Hidden Node

- 6 Hidden Node

- 7 Hidden Node

- 8 Hidden Node

- 9 Hidden Node

- 10 Hidden Node

“Halaman ini sengaja dikosongkan”

Lampiran 7. Grafik Performansi JST-GA pada Prediksi

Presentase FCaO

- 2 Hidden Node

- 3 Hidden Node

- 4 Hidden Node

- 5 Hidden Node

- 6 Hidden Node

- 7 Hidden Node

- 8 Hidden Node

- 9 Hidden Node

- 10 Hidden Node

“Halaman ini sengaja dikosongkan”

BIODATA PENULIS

Penulis mempunyai nama lengkap

Dicky Dwi Arifiansyah, lahir di

Gresik pada tanggal 16 Agustus

1995, merupakan anak ke dua dari

tiga bersaudara. Penulis menempuh

pendidikan sekolah dasar di SD

Negeri Sukowati, pendidikan

menengah di SMP Negeri 1 Bungah,

dan melanjutkan pendidikan

menengah atas di SMA Negeri 1

Manyar yang kemudian dilanjutkan

ke ITS Jurusan Teknik Fisika pada

tahun 2013 dengan NRP

2413100118. Hingga pada tahun 2017 penulis akhirnya

melaksanakan Tugas Akhir sebagai syarat untuk menyelesaikan

studi S1 di Jurusan Teknik Fisika dengan judul “Optimisasi

Pembakaran di Rotary Kiln PT Semen Gresik Pabrik Tuban

Dengan Model Jaringan Syaraf Tiruan dan Metode Genetic

Algorithm”. Bagi pembaca yang memiliki saran, kritik, atau ingin

berdiskusi lebih lanjut tentang Tugas Akhir ini, maka bisa

menghubungi penulis melalui dickydwiarif@gmail.com.